Vous êtes sur la page 1sur 73

Chapitre 7.

Diagonalisation
Objectifs : 1) Comprendre la simplicité des matrices diagonales
2) Appendre à rendre une matrice non diagonale en une diagonale
3) Apprendre la notion des valeurs propres, vecteurs propres etc.
§1 Pourquoi les matrices diagonales sont simples ?
Addition, multiplication, puissance, polynôme.
déterminant, inversion (si possible), images et noyau, lié ou libre,
rang, résolution d’un système etc.
Multiplication à droite par une matrice diagonale :
 
λ1 · · · 0
(~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
  
1 0 0 3 0 0
Exemple. −1 2 1 0 −1 0  =
3 1 0 0 0 π
Chapitre 7. Diagonalisation
Objectifs : 1) Comprendre la simplicité des matrices diagonales
2) Appendre à rendre une matrice non diagonale en une diagonale
3) Apprendre la notion des valeurs propres, vecteurs propres etc.
§1 Pourquoi les matrices diagonales sont simples ?
Addition, multiplication, puissance, polynôme.
déterminant, inversion (si possible), images et noyau, lié ou libre,
rang, résolution d’un système etc.
Multiplication à droite par une matrice diagonale :
 
λ1 · · · 0
(~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
    
1 0 0 3 0 0 3 0 0
Exemple. −1 2 1 0 −1 0  = −3 −2 π .
3 1 0 0 0 π 9 −1 0
§2 Une matrice A semblable à une matrice diagonale M
On dit que A est semblable à M si A s’écrit

A = PMP −1, ou bien P −1 AP = M ,

avec P une matrice inversible.


   
3a − 2b −2a + 2b a 0
Exemple. A = =P P −1 avec
3a − 3b −2a + 3b 0 b
 
1 2
P= .
1 3
Une fois avoir exprimé A sous cette forme, il est beaucoup plus
facile de calculer A2 , A3 , An , etc, il suffit de remplacer a par an et b
par bn !
Preuve.
§2 Une matrice A semblable à une matrice diagonale M
On dit que A est semblable à M si A s’écrit

A = PMP −1, ou bien P −1 AP = M ,

avec P une matrice inversible.


   
3a − 2b −2a + 2b a 0
Exemple. A = =P P −1 avec
3a − 3b −2a + 3b 0 b
 
1 2
P= .
1 3
Une fois avoir exprimé A sous cette forme, il est beaucoup plus
facile de calculer A2 , A3 , An , etc, il suffit de remplacer a par an et b
par bn !
Preuve.
A2 = (PMP −1
)2 = (PMP −1)(PMP −1 ) = PM(P −1 P)MP −1 =

a2 0
 2
3a − 2b2 −2a2 + 2b2
 
2
PM P = P
−1 P =
−1 ··· .
0 b2 3a2 − 3b2 −2a2 + 3b2
§3 Diagonalisation
Diagonaliser une matrice A, c’est de trouver une  matrice inversible

λ1 · · · 0
P = (~v1 , · · · ,~vn ) et une matrice diagonale M =  ... . . . ... 
 

0 · · · λn
telles que A = PMP −1, ou bien, AP = PM. Comment trouver P et
M ? Rappelons que
 
λ1 · · · 0
PM = (~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
et AP = (A~v1 , · · · , A~vn ).
§3 Diagonalisation
Diagonaliser une matrice A, c’est de trouver une  matrice inversible

λ1 · · · 0
P = (~v1 , · · · ,~vn ) et une matrice diagonale M =  ... . . . ... 
 

0 · · · λn
telles que A = PMP −1, ou bien, AP = PM. Comment trouver P et
M ? Rappelons que
 
λ1 · · · 0
PM = (~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
et AP = (A~v1 , · · · , A~vn ).
Donc AP = PM ⇐⇒ A~v1 = λ1~v1 , · · · , A~vn = λn~vn
§3 Diagonalisation
Diagonaliser une matrice A, c’est de trouver une  matrice inversible

λ1 · · · 0
P = (~v1 , · · · ,~vn ) et une matrice diagonale M =  ... . . . ... 
 

0 · · · λn
telles que A = PMP −1, ou bien, AP = PM. Comment trouver P et
M ? Rappelons que
 
λ1 · · · 0
PM = (~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
et AP = (A~v1 , · · · , A~vn ).
Donc AP = PM ⇐⇒ A~v1 = λ1~v1 , · · · , A~vn = λn~vn

⇐⇒ (A − λ1 Id )~v1 = ~0, (A − λ2 Id )~v2 = ~0, · · ·


§3 Diagonalisation
Diagonaliser une matrice A, c’est de trouver une  matrice inversible

λ1 · · · 0
P = (~v1 , · · · ,~vn ) et une matrice diagonale M =  ... . . . ... 
 

0 · · · λn
telles que A = PMP −1, ou bien, AP = PM. Comment trouver P et
M ? Rappelons que
 
λ1 · · · 0
PM = (~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
et AP = (A~v1 , · · · , A~vn ).
Donc AP = PM ⇐⇒ A~v1 = λ1~v1 , · · · , A~vn = λn~vn

⇐⇒ (A − λ1 Id )~v1 = ~0, (A − λ2 Id )~v2 = ~0, · · ·


⇐⇒ ~v1 ∈ Ker (A − λ1 Id ),~v2 ∈ Ker (A − λ2 Id ), · · · .
§3 Diagonalisation
Diagonaliser une matrice A, c’est de trouver une  matrice inversible

λ1 · · · 0
P = (~v1 , · · · ,~vn ) et une matrice diagonale M =  ... . . . ... 
 

0 · · · λn
telles que A = PMP −1, ou bien, AP = PM. Comment trouver P et
M ? Rappelons que
 
λ1 · · · 0
PM = (~v1 , · · · ,~vn )  ... . . . ...  = λ1~v1 , · · · , λn~vn
 
 

0 · · · λn
et AP = (A~v1 , · · · , A~vn ).
Donc AP = PM ⇐⇒ A~v1 = λ1~v1 , · · · , A~vn = λn~vn

⇐⇒ (A − λ1 Id )~v1 = ~0, (A − λ2 Id )~v2 = ~0, · · ·


⇐⇒ ~v1 ∈ Ker (A − λ1 Id ),~v2 ∈ Ker (A − λ2 Id ), · · · .Déterminer

des noyaux on sait faire !


 
5 −3
Exo. Pour diagonaliser A = , on fabrique d’abord deux
6 −4
nouvelles matrices A − 2Id et A − (−1)Id et on détermine pour
chacune d’elles une base du noyau (ces deux valeurs 2, −1 sont les
racines de l’équation det(A − λId ) = 0 ) :
 
5 −3
diagonaliser A
6 −4
det(A − λId ) = 0  λ =  2 ւ ց−1  
3 −3 6 −3
A − λId
6 −6
 6 −3

1 1
base du noyau
1     2
1 1 2 0
assembler P= et M =
1 2 0 −1
vérifier que AP = PM Conclure que A = PMP . A est diagonalisée.
−1

 
2 1
Diagonaliser de même la matrice .
1 2
Valeurs propres et vecteurs propres
Définition. On dit qu’un vecteur ~v non nul est un vecteur propre
de A si A~v est proportionnel à ~v, c’est-à-dire qu’il existe une valeur
λ telle que A~v = λ~v. On dit que λ est la valeur propre de A
associée à ~v.
Reprenons
 notre exemple :    
3a − 2b −2a + 2b a 0 1 2
A= =P P −1 avec P = .
3a − 3b −2a + 3b 0 b 1 3
         
a 0 1 1 2 2
Donc AP = P , et A =a ,A =b .
0 b 1 1 3 3
 
1
est un vecteur propre, de valeur propre associée
1
Valeurs propres et vecteurs propres
Définition. On dit qu’un vecteur ~v non nul est un vecteur propre
de A si A~v est proportionnel à ~v, c’est-à-dire qu’il existe une valeur
λ telle que A~v = λ~v. On dit que λ est la valeur propre de A
associée à ~v.
Reprenons
 notre exemple :    
3a − 2b −2a + 2b a 0 1 2
A= =P P −1 avec P = .
3a − 3b −2a + 3b 0 b 1 3
         
a 0 1 1 2 2
Donc AP = P , et A =a ,A =b .
0 b 1 1 3 3
 
1
est un vecteur propre, de valeur propre associée a ;
1
 
2
3
Valeurs propres et vecteurs propres
Définition. On dit qu’un vecteur ~v non nul est un vecteur propre
de A si A~v est proportionnel à ~v, c’est-à-dire qu’il existe une valeur
λ telle que A~v = λ~v. On dit que λ est la valeur propre de A
associée à ~v.
Reprenons
 notre exemple :    
3a − 2b −2a + 2b a 0 1 2
A= =P P −1 avec P = .
3a − 3b −2a + 3b 0 b 1 3
         
a 0 1 1 2 2
Donc AP = P , et A =a ,A =b .
0 b 1 1 3 3
 
1
est un vecteur propre, de valeur propre associée a ;
1
 
2
est un vecteur propre, de valeur propre associée b.
3
Valeurs propres et vecteurs propres
Définition. On dit qu’un vecteur ~v non nul est un vecteur propre
de A si A~v est proportionnel à ~v, c’est-à-dire qu’il existe une valeur
λ telle que A~v = λ~v. On dit que λ est la valeur propre de A
associée à ~v.
Reprenons
 notre exemple :    
3a − 2b −2a + 2b a 0 1 2
A= =P P −1 avec P = .
3a − 3b −2a + 3b 0 b 1 3
         
a 0 1 1 2 2
Donc AP = P , et A =a ,A =b .
0 b 1 1 3 3
 
1
est un vecteur propre, de valeur propre associée a ;
1
 
2
est un vecteur propre, de valeur propre associée b.
3
Nous venons de démontrer :
Valeurs propres et vecteurs propres
Définition. On dit qu’un vecteur ~v non nul est un vecteur propre
de A si A~v est proportionnel à ~v, c’est-à-dire qu’il existe une valeur
λ telle que A~v = λ~v. On dit que λ est la valeur propre de A
associée à ~v.
Reprenons
 notre exemple :    
3a − 2b −2a + 2b a 0 1 2
A= =P P −1 avec P = .
3a − 3b −2a + 3b 0 b 1 3
         
a 0 1 1 2 2
Donc AP = P , et A =a ,A =b .
0 b 1 1 3 3
 
1
est un vecteur propre, de valeur propre associée a ;
1
 
2
est un vecteur propre, de valeur propre associée b.
3
Nous venons de démontrer :
Théorème de diagonalisation. Une matrice carrée n × n est
diagonalisable ssi elle possède n vecteurs propres formant une base.
Unautre
 exemple
  :A estune 
matrice
 2 × 2 telle que
1 2 1 1
A = et A = . Alors A est diagonalisable :
1 2 −1 −1
         
1 1 1 1 1 1 2 0
A = 2 ,1 = ,
1 −1 1 −1 1 −1 0 1

avec P =??, M =?? et A =?? .


Unautre
 exemple
  :A estune 
matrice
 2 × 2 telle que
1 2 1 1
A = et A = . Alors A est diagonalisable :
1 2 −1 −1
         
1 1 1 1 1 1 2 0
A = 2 ,1 = ,
1 −1 1 −1 1 −1 0 1
 
1 3 1
avec P =??, M =?? et A =?? . Réponse : A = .
2 1 3
Comment trouver les valeurs propres ?
On cherche d’abord les λi (valeurs propres).
Théorème des valeurs propres. Les valeurs propres λi d’une
matrice A sont les solutions de l’équation

det(A − λId ) = 0 .
Comment trouver les valeurs propres ?
On cherche d’abord les λi (valeurs propres).
Théorème des valeurs propres. Les valeurs propres λi d’une
matrice A sont les solutions de l’équation

det(A − λId ) = 0 .

   
1 −2 5 −3
Exo. Trouver les valeurs propres de et .
0 3 6 −4
Polynôme caractéristique
Définition Pour toute matrice carrée A, on appelle

det(A − λId )

le polynôme caractéristique de A. Ainsi les valeurs propres de A


sont précisément les racines du polynôme caractéristique.
Exo. Déterminer le polynôme caractéristique de
 
    1 0 0 0
1 2 3 5 −3 0
0 −1 2  , 6 −4 0 , 0 −1 01 0 
 
0 0
4 0

0 0 1/2 0 1 1
0 0 0 π

Puis déterminer les valeurs propres pour chacune de ces matrices.


§4. Critères de diagonalisabilité
Théorème 0 (déjà vu) Une matrice A est diagonalisable ssi elle
possède une famille de vecteurs propres formant une base.
Théorème 1 (facile) Si toutes les racines du polynôme
caractéristique de A sont simples, alors A est diagonalisable. (sinon,
A peut être ou ne pas être diagonalisable).
Théorème 2 (difficile) Si A est une matrice réelle et symétrique,
alors toutes les valeurs propres de A sont réelles et A est
diagonalisable.
Exo. Pour chacune des trois matrices suivantes, déterminer si elle
est diagonalisable, et la diagonaliser si possible :
 
      5 0 0
1 1 1 1 5 −1 0 5 0
, ,
1 1 0 1 1 3
0 0 0
Rappel. Le polynôme caractéristique d’une matrice carrée A est
det(A − λId ) (c’est un polynôme en λ).
 
a b
Exemple : Le polynôme caractéristique de est
c d

a −λ b
= (a − λ)(d − λ) − cd = λ2 − (a + d )λ + ad − bc .
c d −λ
§5 Trace, déterminant et valeurs propres
Rappel. Les valeurs propre d’une matrice carrée sont les racines de
son polynôme caractéristique.
Définition. On appelle la trace de A la somme des éléments sur la
diagonale.
Définition. On appelle la trace de A la somme des éléments sur la
diagonale.
   
a b 0 1
Exemples. tr = a + d , tr =??
c d −1 −1
 
1 2 3
tr 2 −1 0 =??
0 2 4
Théorème. La trace de A est égale à la somme des valeurs propres
de A et le déterminant de A est le produit des valeurs propres de A.
 
a b
Preuve. Supposons A = , det(A) = ad − bc, tr (A) = a + d .
c d
Définition. On appelle la trace de A la somme des éléments sur la
diagonale.
   
a b 0 1
Exemples. tr = a + d , tr =??
c d −1 −1
 
1 2 3
tr 2 −1 0 =??
0 2 4
Théorème. La trace de A est égale à la somme des valeurs propres
de A et le déterminant de A est le produit des valeurs propres de A.
 
a b
Preuve. Supposons A = , det(A) = ad − bc, tr (A) = a + d .
c d
On a det(A − λI ) = λ2 − (a + d )λ + ad − bc.
Définition. On appelle la trace de A la somme des éléments sur la
diagonale.
   
a b 0 1
Exemples. tr = a + d , tr =??
c d −1 −1
 
1 2 3
tr 2 −1 0 =??
0 2 4
Théorème. La trace de A est égale à la somme des valeurs propres
de A et le déterminant de A est le produit des valeurs propres de A.
 
a b
Preuve. Supposons A = , det(A) = ad − bc, tr (A) = a + d .
c d
On a det(A − λI ) = λ2 − (a + d )λ + ad − bc.
Soient s, t les deux racines. Alors on peut factoriser
det(A−λI ) = (λ−s)(λ−t) = λ2 −sλ−tλ+st = λ2 −(s +t)λ+st .
En comparant les coefficients on obtient :
Définition. On appelle la trace de A la somme des éléments sur la
diagonale.
   
a b 0 1
Exemples. tr = a + d , tr =??
c d −1 −1
 
1 2 3
tr 2 −1 0 =??
0 2 4
Théorème. La trace de A est égale à la somme des valeurs propres
de A et le déterminant de A est le produit des valeurs propres de A.
 
a b
Preuve. Supposons A = , det(A) = ad − bc, tr (A) = a + d .
c d
On a det(A − λI ) = λ2 − (a + d )λ + ad − bc.
Soient s, t les deux racines. Alors on peut factoriser
det(A−λI ) = (λ−s)(λ−t) = λ2 −sλ−tλ+st = λ2 −(s +t)λ+st .
En comparant les coefficients on obtient :
s + t = a + d = tr (A) et st = ad − bc = det(A).
Le cas général se démontre de manière similaire.
§6. Théorème de Caylay-Hamilton, calcul de A−1.
Théorème. Pour le polynôme caractéristique d’une matrice A, si
λ (terme-constant)
l’on fait une substitution ↓ ↓ , on obtient
A (terme-constant) · Id
une matrice qui vaut la matrice zéro.
§6. Théorème de Caylay-Hamilton, calcul de A−1.
Théorème. Pour le polynôme caractéristique d’une matrice A, si
λ (terme-constant)
l’on fait une substitution ↓ ↓ , on obtient
A (terme-constant) · Id
une matrice qui vaut la matrice zéro.
 
1 2
Exemple. Soit A = . Son polynôme caractéristique est
3 4
det(A − λId ) = λ2 − tr (A)λ + det(A) = λ2 − 5λ − 2
substitution ↓ .
2
A − 5A − 2Id

Le théorème prétend alors que A2 − 5A − 2Id vaut la matrice zéro.


Vérifier-le !
§6. Théorème de Caylay-Hamilton, calcul de A−1.
Théorème. Pour le polynôme caractéristique d’une matrice A, si
λ (terme-constant)
l’on fait une substitution ↓ ↓ , on obtient
A (terme-constant) · Id
une matrice qui vaut la matrice zéro.
 
1 2
Exemple. Soit A = . Son polynôme caractéristique est
3 4
det(A − λId ) = λ2 − tr (A)λ + det(A) = λ2 − 5λ − 2
substitution ↓ .
2
A − 5A − 2Id

Le théorème prétend alors que A2 − 5A − 2Id vaut la matrice zéro.


Vérifier-le ! La preuve est plus facile dans le cas
 où 
A est
s 0
diagonalisable. Faisons-la en taille 2 : A = P P −1 et
0 t
det(A − λId ) se factorise en (λ − s)(λ − t).
La preuve est plus facile dans 
le cas 
où A est diagonalisable.
s 0
Faisons-la en taille 2 : A = P P −1 et det(A − λId ) se
0 t
factorise en (λ − s)(λ − t).
La preuve est plus facile dans 
le cas où A est diagonalisable.
s 0
Faisons-la en taille 2 : A = P P −1 et det(A − λId ) se
0 t
factorise en (λ − s)(λ − t). Après substitution on obtient
   
s 0 s 0
(A−sId )(A−tId) = P( -sId )( -tId)P −1 = P0P −1 = 0.
0 t 0 t

Exo. Faire cette preuve en taille 3 et taille n.


A quoi ça sert ?
La preuve est plus facile dans 
le cas où A est diagonalisable.
s 0
Faisons-la en taille 2 : A = P P −1 et det(A − λId ) se
0 t
factorise en (λ − s)(λ − t). Après substitution on obtient
   
s 0 s 0
(A−sId )(A−tId) = P( -sId )( -tId)P −1 = P0P −1 = 0.
0 t 0 t

Exo. Faire cette preuve en taille 3 et taille n.


A quoi ça sert ? Ça aide à calculer  
1 2
1. à calculer la matrice inverse : Dans notre exemple A = ,
3 4
on a A2 − 5A − 2Id = 0. Donc A2 − 5A = 2Id , et A(A − 5Id ) = 2Id ,
1 1
par suite A · (A − 5Id ) = Id . Donc A−1 = (A − 5Id ).
2 2
2. calculer les puissances :
A3 = A2 · A = (5A + 2Id )A = 5A2 + 2A =
La preuve est plus facile dans 
le cas où A est diagonalisable.
s 0
Faisons-la en taille 2 : A = P P −1 et det(A − λId ) se
0 t
factorise en (λ − s)(λ − t). Après substitution on obtient
   
s 0 s 0
(A−sId )(A−tId) = P( -sId )( -tId)P −1 = P0P −1 = 0.
0 t 0 t

Exo. Faire cette preuve en taille 3 et taille n.


A quoi ça sert ? Ça aide à calculer  
1 2
1. à calculer la matrice inverse : Dans notre exemple A = ,
3 4
on a A2 − 5A − 2Id = 0. Donc A2 − 5A = 2Id , et A(A − 5Id ) = 2Id ,
1 1
par suite A · (A − 5Id ) = Id . Donc A−1 = (A − 5Id ).
2 2
2. calculer les puissances :
A3 = A2 · A = (5A + 2Id )A = 5A2 + 2A =
= 5(5A + 2Id ) + 2A = 27A + 10Id , et
La preuve est plus facile dans 
le cas où A est diagonalisable.
s 0
Faisons-la en taille 2 : A = P P −1 et det(A − λId ) se
0 t
factorise en (λ − s)(λ − t). Après substitution on obtient
   
s 0 s 0
(A−sId )(A−tId) = P( -sId )( -tId)P −1 = P0P −1 = 0.
0 t 0 t

Exo. Faire cette preuve en taille 3 et taille n.


A quoi ça sert ? Ça aide à calculer  
1 2
1. à calculer la matrice inverse : Dans notre exemple A = ,
3 4
on a A2 − 5A − 2Id = 0. Donc A2 − 5A = 2Id , et A(A − 5Id ) = 2Id ,
1 1
par suite A · (A − 5Id ) = Id . Donc A−1 = (A − 5Id ).
2 2
2. calculer les puissances :
A3 = A2 · A = (5A + 2Id )A = 5A2 + 2A =
= 5(5A + 2Id ) + 2A = 27A + 10Id , et A4 = · · ·
La preuve est plus facile dans 
le cas où A est diagonalisable.
s 0
Faisons-la en taille 2 : A = P P −1 et det(A − λId ) se
0 t
factorise en (λ − s)(λ − t). Après substitution on obtient
   
s 0 s 0
(A−sId )(A−tId) = P( -sId )( -tId)P −1 = P0P −1 = 0.
0 t 0 t

Exo. Faire cette preuve en taille 3 et taille n.


A quoi ça sert ? Ça aide à calculer  
1 2
1. à calculer la matrice inverse : Dans notre exemple A = ,
3 4
on a A2 − 5A − 2Id = 0. Donc A2 − 5A = 2Id , et A(A − 5Id ) = 2Id ,
1 1
par suite A · (A − 5Id ) = Id . Donc A−1 = (A − 5Id ).
2 2
2. calculer les puissances :
A3 = A2 · A = (5A + 2Id )A = 5A2 + 2A =
= 5(5A + 2Id ) + 2A = 27A + 10Id , et A4 = · · · = 145A + 52Id .
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
A quoi ça sert de calculer des puissances d’une matrice ?
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
A quoi ça sert de calculer des puissances d’une matrice ?
Ça sert par exemple de calculer le cumul d’intérêt :
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
A quoi ça sert de calculer des puissances d’une matrice ?
Ça sert par exemple de calculer le cumul d’intérêt :
Avec 3% d’intérêt annuel, et 100 euros de capital initial, comment
calculer le capital au bout de 3 ans, de 10 ans ?
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
A quoi ça sert de calculer des puissances d’une matrice ?
Ça sert par exemple de calculer le cumul d’intérêt :
Avec 3% d’intérêt annuel, et 100 euros de capital initial, comment
calculer le capital au bout de 3 ans, de 10 ans ? On pose u0 = 100,
et un le capital au bout de n ans, alors
un = (1 + 0, 03)un−1 = (1, 03)n 100.
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
A quoi ça sert de calculer des puissances d’une matrice ?
Ça sert par exemple de calculer le cumul d’intérêt :
Avec 3% d’intérêt annuel, et 100 euros de capital initial, comment
calculer le capital au bout de 3 ans, de 10 ans ? On pose u0 = 100,
et un le capital au bout de n ans, alors
un = (1 + 0, 03)un−1 = (1, 03)n 100.
Avec x euros d’action A et y euros d’action B, les valeurs après un
an sont x + 0, 03y et 0, 04x + y respectivement. Comment calculer
les valeurs après 3 ans, après 10 ans ?
§7. Retour à la diagonalisation
A quoi ça sert de diagonaliser une matrice ? c’est-à-dire d’exprimer
A sous la forme PMP −1 avec M diagonale ?
Ça sert en particulier de faciliter le calcul d’une puissance de la
matrice, par exemple A3 = PM 3 P −1 .
A quoi ça sert de calculer des puissances d’une matrice ?
Ça sert par exemple de calculer le cumul d’intérêt :
Avec 3% d’intérêt annuel, et 100 euros de capital initial, comment
calculer le capital au bout de 3 ans, de 10 ans ? On pose u0 = 100,
et un le capital au bout de n ans, alors
un = (1 + 0, 03)un−1 = (1, 03)n 100.
Avec x euros d’action A et y euros d’action B, les valeurs après un
an sont x + 0, 03y et 0, 04x + y respectivement. Comment calculer
les valeurs après 3 ans, après 10 ans ? On pose
     
xn+1 = xn + 0, 03yn xn+1 ? xn
ou bien =
yn+1 = 0, 04xn + yn yn+1 yn
§8. Sens géométrique des vecteurs propres
Cas de valeurs propres multiples
Exo. Pour chacune des trois matrices suivantes, déterminer si elle
est diagonalisable, et la diagonaliser si possible :
 
      5 0 0
1 1 1 1 5 −1 0 5 0
, ,
1 1 0 1 1 3
0 0 0

On va rencontrer des valeurs propres multiples.


 
1 1
Pour , on voit qu’elle est symétrique, donc par le théorème
1 1
2, elle est diagonalisable.
On peut
aussi calculer son polynôme
1 − λ 1
caractéristique = λ(λ − 2). De là on voit qu’il y a
1 1 − λ
deux valeurs propres distinctes. On peut donc appliquer Théorème
1 pour conclure que la matrice est diagonalisable. On peut bien sur
commencer à chercher les vecteurs propres...
 
1 1
Pour , on voit qu’elle est symétrique, donc par le théorème
1 1
2, elle est diagonalisable.
On peut
aussi calculer son polynôme
1 − λ 1
caractéristique = λ(λ − 2). De là on voit qu’il y a
1 1 − λ
deux valeurs propres distinctes. On peut donc appliquer Théorème
1 pour conclure que la matrice est diagonalisable. On peut bien sur
commencer à chercher les vecteurs propres...
 
1 1
Pour , on n’a qu’une seule valeur propre λ = 1. Calculer
0 1
 
0 1
une base de son sous espace propre : A − Id = . On trouve
0 0

Ker (A − Id ) = h~e1 i. Donc P = ~e1 n’est pas une matrice carrée.
A n’est pas diagonalisable.
 
1 1
Pour , on voit qu’elle est symétrique, donc par le théorème
1 1
2, elle est diagonalisable.
On peut
aussi calculer son polynôme
1 − λ 1
caractéristique = λ(λ − 2). De là on voit qu’il y a
1 1 − λ
deux valeurs propres distinctes. On peut donc appliquer Théorème
1 pour conclure que la matrice est diagonalisable. On peut bien sur
commencer à chercher les vecteurs propres...
 
1 1
Pour , on n’a qu’une seule valeur propre λ = 1. Calculer
0 1
 
0 1
une base de son sous espace propre : A − Id = . On trouve
0 0

Ker (A − Id ) = h~e1 i. Donc P = ~e1 n’est pas une matrice carrée.
A n’est pas diagonalisable.
 
5 −1
Pour , le polynôme caractéristique est
1 3
 
1 1
Pour , on voit qu’elle est symétrique, donc par le théorème
1 1
2, elle est diagonalisable.
On peut
aussi calculer son polynôme
1 − λ 1
caractéristique = λ(λ − 2). De là on voit qu’il y a
1 1 − λ
deux valeurs propres distinctes. On peut donc appliquer Théorème
1 pour conclure que la matrice est diagonalisable. On peut bien sur
commencer à chercher les vecteurs propres...
 
1 1
Pour , on n’a qu’une seule valeur propre λ = 1. Calculer
0 1
 
0 1
une base de son sous espace propre : A − Id = . On trouve
0 0

Ker (A − Id ) = h~e1 i. Donc P = ~e1 n’est pas une matrice carrée.
A n’est pas diagonalisable.
 
5 −1
Pour , le polynôme caractéristique est (λ − 4)2 . Donc 4
1 3
est une valeur propre double. Son sous espace propre est de
dimension un. A n’est pas diagonalisable.
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 .
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 . Il faut surtout garder le facteur
(2 − λ), on obtient que les valeurs propres sont 2 et les racines de
(3 − λ)(1 − λ) − 8. Donc les valeurs propres sont
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 . Il faut surtout garder le facteur
(2 − λ), on obtient que les valeurs propres sont 2 et les racines de
(3 − λ)(1 − λ) − 8. Donc les valeurs propres sont λ1 = 5, λ2 = 2 et
λ3 = −1.
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 . Il faut surtout garder le facteur
(2 − λ), on obtient que les valeurs propres sont 2 et les racines de
(3 − λ)(1 − λ) − 8. Donc les valeurs propres sont λ1 = 5, λ2 = 2 et
λ3 = −1. Pour trouver les vecteurs propres correspondants, on
échelonne les trois matrices et obtient
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 . Il faut surtout garder le facteur
(2 − λ), on obtient que les valeurs propres sont 2 et les racines de
(3 − λ)(1 − λ) − 8. Donc les valeurs propres sont λ1 = 5, λ2 = 2 et
λ3 = −1. Pour trouver les vecteurs propres correspondants, on
échelonne les trois matrices et obtient
1 0 0 0 0 0 1 0 0
     
 0 1 0    1 0 0    0 1 0 
 
 
 −2 −4 0   0 1 0   0
  2 0 
 1 , , 1 

 3 0 0    0
 0 1    −3 0 0 
 0 0 1   − 19 − 91 − 13   0 0 1 
− 13 −1 2 − 89 1
9 − 23 1
3 −1 −4
Donc
A = PMP −1 , avec P =
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 . Il faut surtout garder le facteur
(2 − λ), on obtient que les valeurs propres sont 2 et les racines de
(3 − λ)(1 − λ) − 8. Donc les valeurs propres sont λ1 = 5, λ2 = 2 et
λ3 = −1. Pour trouver les vecteurs propres correspondants, on
échelonne les trois matrices et obtient
1 0 0 0 0 0 1 0 0
     
 0 1 0    1 0 0    0 1 0 
 
 
 −2 −4 0   0 1 0   0
  2 0 
 1 , , 1 

 3 0 0    0
 0 1    −3 0 0 
 0 0 1   − 19 − 91 − 13   0 0 1 
− 13 −1 2 − 89 1
9 − 23 1
3 −1 −4
Donc 
0 3 0

A = PMP −1 , avec P = 1 −3 1  et M =
2 −2 −4
 
2 0 0
Pour 1 3 1, son polynôme caractéristique est
2 8 1
 
(2 − λ) (3 − λ)(1 − λ) − 8 . Il faut surtout garder le facteur
(2 − λ), on obtient que les valeurs propres sont 2 et les racines de
(3 − λ)(1 − λ) − 8. Donc les valeurs propres sont λ1 = 5, λ2 = 2 et
λ3 = −1. Pour trouver les vecteurs propres correspondants, on
échelonne les trois matrices et obtient
1 0 0 0 0 0 1 0 0
     
 0 1 0    1 0 0    0 1 0 
 
 
 −2 −4 0   0 1 0   0
  2 0 
 1 , , 1 

 3 0 0    0
 0 1    −3 0 0 
 0 0 1   − 19 − 91 − 13   0 0 1 
− 13 −1 2 − 89 1
9 − 23 1
3 −1 −4
Donc 
0 3 0
 
5 0 0

A = PMP −1 , avec P = 1 −3 1  et M = 0 2 0 .
2 −2 −4 0 0 −1
 
−1 0 0
Pour  1 3 1, son polynôme caractéristique est
2 8 1
 
(−1 − λ) (3 − λ)(1 − λ) − 8 .
 
−1 0 0
Pour  1 3 1, son polynôme caractéristique est
2 8 1
 
(−1 − λ) (3 − λ)(1 − λ) − 8 . On garde les facteurs, ici (−1 − λ),
on obtient que les valeurs propres sont 5, -1 et -1.
1 0 0 0 0 0
   
 0 1 0   1 0 0 
   
 −1 −4 0   2 0 0 
λ1 = 5 :  1

 , λ2 = −1 :  0
  
 6 0 0   1 0 

 0 0 1   0 0 1 
− 16 −1 2 −1 −1 −4
Par chance, la valeur λ2 qui compte double, a deux vecteurs
propres libres dans Ker (A − λ2 Id ). On peut donc former P et M
telles que A = PMP −1. Ici P =??, M =??
 
−1 0 0
Pour  1 3 1, son polynôme caractéristique est
2 8 1
 
(−1 − λ) (3 − λ)(1 − λ) − 8 . On garde les facteurs, ici (−1 − λ),
on obtient que les valeurs propres sont 5, -1 et -1.
1 0 0 0 0 0
   
 0 1 0   1 0 0 
   
 −1 −4 0   2 0 0 
λ1 = 5 :  1

 , λ2 = −1 :  0
  
 6 0 0   1 0 

 0 0 1   0 0 1 
− 16 −1 2 −1 −1 −4
Par chance, la valeur λ2 qui compte double, a deux vecteurs
propres libres dans Ker (A − λ2 Id ). On peut donc former P et M
telles que A = PMP −1. Ici P =??, M =??
   
0 1 0 5 0 0
Réponse : P = 1 0 1 , M = 0 −1 0 
2 −1 −4 0 0 −1
D’autres cas de valeurs propres multiples
     
5 0 0 −1 0 0 2 3 −2
A = 0 5 0 , B =  0 −1 −3 , C = −1 4 −1
0 0 0 0 0 2 −1 5 −1
A est déjà diagonale, 5 est une valeur propre double.
D’autres cas de valeurs propres multiples
     
5 0 0 −1 0 0 2 3 −2
A = 0 5 0 , B =  0 −1 −3 , C = −1 4 −1
0 0 0 0 0 2 −1 5 −1
A est déjà diagonale, 5 est une valeur propre double.
B a pour valeurs propres
D’autres cas de valeurs propres multiples
     
5 0 0 −1 0 0 2 3 −2
A = 0 5 0 , B =  0 −1 −3 , C = −1 4 −1
0 0 0 0 0 2 −1 5 −1
A est déjà diagonale, 5 est une valeur propre double.
B a pour valeurs propres 2, −1, −1, une base de Ker (B − 2Id ) est
D’autres cas de valeurs propres multiples
     
5 0 0 −1 0 0 2 3 −2
A = 0 5 0 , B =  0 −1 −3 , C = −1 4 −1
0 0 0 0 0 2 −1 5 −1
A est déjà diagonale, 5 est une valeur propre double.

 a pour
B  valeurs propres 2, −1, −1, une base de Ker (B − 2Id ) est
0
 1  , et une base de Ker (B − (−1)Id ) est
−1
D’autres cas de valeurs propres multiples
     
5 0 0 −1 0 0 2 3 −2
A = 0 5 0 , B =  0 −1 −3 , C = −1 4 −1
0 0 0 0 0 2 −1 5 −1
A est déjà diagonale, 5 est une valeur propre double.

 a pour
B  valeurs propres 2, −1, −1, une base de Ker (B − 2Id ) est
0
 1  , et une base de Ker (B − (−1)Id ) est ~e1 ,~e2 . Donc B est
−1
diagonalisable.
La matrice C a pour valeurs propres
D’autres cas de valeurs propres multiples
     
5 0 0 −1 0 0 2 3 −2
A = 0 5 0 , B =  0 −1 −3 , C = −1 4 −1
0 0 0 0 0 2 −1 5 −1
A est déjà diagonale, 5 est une valeur propre double.

 a pour
B  valeurs propres 2, −1, −1, une base de Ker (B − 2Id ) est
0
 1  , et une base de Ker (B − (−1)Id ) est ~e1 ,~e2 . Donc B est
−1
diagonalisable.
La matrice C a pour valeurs propres 2, 2, 1. Mais il nous manque de
vecteurs propres libres pour former la matrice P. La matrice C n’est
donc pas diagonalisable, voir Exo. 6 de TD 7.
Epilogue : Base du noyau après échelonnement suivant les lignes
Epilogue : Base du noyau après échelonnement suivant les lignes
 
1 2 0 −2
0 0 1 2
•  (les pivôts doivent être égales à ).
1
0 0 0 0
0 0 0 0
Epilogue : Base du noyau après échelonnement suivant les lignes
 
1 2 0 −2
0 0 1 2
•  (les pivôts doivent être égales à ).
1
0 0 0 0
0 0 0 0
• On permutes
 les lignes de 0afin de mettre les pivots sur la
1 2 0 −2
0 0 0 0
diagonale : 
0 0
.
1 2
0 0 0 0
Epilogue : Base du noyau après échelonnement suivant les lignes
 
1 2 0 −2
0 0 1 2
•  (les pivôts doivent être égales à ).
1
0 0 0 0
0 0 0 0
• On permutes
 les lignes de 0afin de mettre les pivots sur la
1 2 0 −2
0 0 0 0
diagonale : 
0 0
.
1 2
0 0 0 0
• On remplace les 0sur la
  par −1 et on extrait ces
diagonale
2 −2
−1  0 
 0  et  2 .
vecteurs colonnes :    

0 −1
Epilogue : Base du noyau après échelonnement suivant les lignes
 
1 2 0 −2
0 0 1 2
•  (les pivôts doivent être égales à ).
1
0 0 0 0
0 0 0 0
• On permutes
 les lignes de 0afin de mettre les pivots sur la
1 2 0 −2
0 0 0 0
diagonale : 
0 0
.
1 2
0 0 0 0
• On remplace les 0sur la
  par −1 et on extrait ces
diagonale
2 −2
−1  0 
 0  et  2 . C’est la base recherchée !
vecteurs colonnes :    

0 −1
Epilogue : Base du noyau après échelonnement suivant les lignes
 
1 2 0 −2
0 0 1 2
•  (les pivôts doivent être égales à ).
1
0 0 0 0
0 0 0 0
• On permutes
 les lignes de 0afin de mettre les pivots sur la
1 2 0 −2
0 0 0 0
diagonale : 
0 0
.
1 2
0 0 0 0
• On remplace les 0sur la
  par −1 et on extrait ces
diagonale
2 −2
−1  0 
 0  et  2 . C’est la base recherchée !
vecteurs colonnes :    

0 −1
Preuve : Ces vecteurs sont clairement libres et de bon nombre par
le théorème du rang. Il reste plus qu’à vérifier manuellement qu’ils
sont dans le noyau.
Epilogue : Base du noyau après échelonnement suivant les lignes
 
1 2 0 −2
0 0 1 2
•  (les pivôts doivent être égales à ).
1
0 0 0 0
0 0 0 0
• On permutes
 les lignes de 0afin de mettre les pivots sur la
1 2 0 −2
0 0 0 0
diagonale : 
0 0
.
1 2
0 0 0 0
• On remplace les 0sur la
  par −1 et on extrait ces
diagonale
2 −2
−1  0 
 0  et  2 . C’est la base recherchée !
vecteurs colonnes :    

0 −1
Preuve : Ces vecteurs sont clairement libres et de bon nombre par
le théorème du rang. Il reste plus qu’à vérifier manuellement qu’ils
sont dans le noyau. Tester sur un autre exemple !

Vous aimerez peut-être aussi