Beamer Diag 1

REDUCTION D’ENDOMORPHISME: DIAGONALISATION
REDUCTION D’ENDOMORPHISME:
DIAGONALISATION
Dr GOLI Etienne
Plan
1 Valeurs propres, vecteurs propres
2 Polynôme caractéristique
Polynôme caractéristique de matrices semblables
Polynôme caractéristique d’un endomorphisme
3 Diagonalisation
Théorème principal de la diagonalisation
Pratique de la diagonalisation
Applications de la diagonalisation
a) Puissance d’une matrice
b) Suites récurrentes linéaires
c) Système différentiel linéaire
Plan
3 Diagonalisation
Plan
3 Diagonalisation
Valeurs propres, vecteurs propres
Plan
3 Diagonalisation
Définition
Soit u ∈ EndK (E ) , on appelle vecteur propre de u tout
vecteur x ∈ E , x 6= 0, ∃λ ∈ K vérifiant u (x ) = λx et un tel
scalaire λ ∈ K est appelé la valeur propre de u s’il existe
x ∈ E , x 6= 0, tel que u (x ) = λx .
Exemple
On considère f : R3 → R3 définie par
f (x , y , z) = (x + y , y + z, z + x )
On pose v = (1, 1, 1). On a f (v ) = 2v . On en déduit que 2

est une valeur propre de f et v est un vecteur propre associé à
la valeur propre 2.
Définition
Soit A ∈ Mn (K) . On appelle vecteur propre de A, toute
matrice colonne  
x1
 x2 
 
X =  ..   6= 0

 . 
xn
appartenant à Mn1 (K) telle qu’il existe λ ∈ K vérifiant
AX = λX .
On appelle valeur propre de A tout scalaire λ ∈ K tel qu’il
existe X ∈ Mn1 (K) , X 6= 0 avec AX = λX .
Exemple
!
2 2
Soit A =
0 1
on a : λ1 = 1 et λ2 = 2 sont des valeurs propres de A, en effet
:
! ! !
2 2 x x
Av1 = λ1 v1 ⇔ =
0 1 y y
! !
2x + 2y x
⇔ =
y y
⇔ x = −2y alors
! ! !
x −2y −2
= =y
y y 1
! ! !
2 2 x 2x
Av2 = λ2 v2 ⇔ =
0 1 y 2y
! !
2x + 2y 2x
⇔ =
y 2y
⇔ y =0 x ∈R alors
! ! !
x x 1
= =x
y 0 0
!
−2
d’où v1 = est un vecteur propre associé à λ1 = 1 et
1
!
1
v2 = est un vecteur propre associé à λ2 = 2.
0
Remarque
1 λ est valeur propre de A ⇐⇒ λ est valeur propre de u, où

A = Mat (u, B),
2 B une base de E un K-espace vectoriel de dimension finie
n. Soient u ∈ EndK (E ) et λ ∈ K. Alors
λ est valeur propre de u ⇐⇒ ∃x ∈ E , x 6= 0E ;

u (x ) = λx = λidE (x )
⇐⇒ (u − λ1E ) (x ) = 0E
avec x 6= 0E
⇐⇒ ker (u − λ1E ) 6= {0E }
⇐⇒ (u − λ1E ) n’est pas injective
⇐⇒ (u − λ1E ) est non inversible
⇐⇒ det (u − λ1E ) = 0.
Remarque
Soit A ∈ Mn (K) et soit λ ∈ K.
Alors λ est valeur propre de A ⇐⇒ det (A − λIn ) = 0.
Définition
Soit λ une valeur propre de u on pose
N = Nλ = ker (u − λ1E ) est le sous-espace vectoriel propre
associé à la valeur propre λ.
Définition
Le spectre d’une matrice A (d’un endomrphisme f ) est
l’ensemble de ses valeurs propres, il est noté ici: Sp (A)
(Sp (f )).
Exemple
Soit
f : R3 −→ R3
x 7−→ (x + y , y + z, z + x )
Soit B la base canonique de R3 . La matrice de f est
 
1 1 0
M = MBB (f ) = 0 1 1 .
 
1 0 1
On a donc

1 − λ 1 0

det(M − λI3 ) = 0

1−λ 1
1 − λ

1 0

1 − λ 1 1 0
det(M − λI3 ) = (1 − λ) +

0 1 − λ 1 − λ 1

= (1 − λ)3 + 1
= (2 − λ)(λ2 − λ + 1)
ou

1 − λ 1 0 2 − λ 1 0

det(M − λI3 ) = 0

1−λ 1 = 2 − λ 1 − λ

1
1 − λ 2 − λ 1 − λ

1 0 0

1 1 0

= (2 − λ) 1

1−λ 1
1 − λ

1 0

1 1 0
−λ 1
det(M − λI3 ) = (2 − λ) 0

−λ 1 = (2 − λ)

−1 1 − λ

−1 1 − λ

0
= (2 − λ)(λ2 − λ + 1)
Par suite
det(M − λI3 ) = 0 ⇔ (2 − λ)(λ2 − λ + 1) = 0 ⇔ λ = 2.
Exercice  
1 1 1
Soit A =  1 1 1 
 
1 1 1
1 Déterminer les valeurs propres de A.
2 Déterminer les sous-espaces vectoriels propres associés

aux valeurs propres de A.
Correction de l’exercice
1 Les valeurs propres de A sont λ1 = 0; λ = 3.
Sp (A) = {0, 3} .
2 N0 = ker u; u endomorphisme associé à A dans la
base.canonique de R3 .
On a N0 =vect(e10 , e20 ) avec e10 = (1, 0, −1) ;
e20 = (0, 1, −1) .
N3 =vect(e30 ) avec e30 = (1, 1, 1) .
Polynôme caractéristique
Plan
3 Diagonalisation
Définition
Soit A ∈ Mn (K). On appelle polynôme caractéristique de A le
polynôme
PA (X ) = det (A − XIn ) .
On a ∀A = (aij ) ∈ Mn (K) .
PA (X ) = (−1)n X n + (−1)n−1 (trA) X n−1 + ... + det A.

n
X
avec trA = aii .
i=1
Remarque
1 Soit A ∈ Mn (K) et soit λ ∈ K. A = Mat (u, B) , B une

base de E .
ssi det (u − λ1E ) = 0 = PA (λ)
a) λ est valeur propre de A
ssi λ est racine de PA (X ) .
b) A admet au maximum n valeurs propres.
2 Les valeurs propres d’une matrice triangulaire T sont
exactement les éléments de sa diagonale principale.
 
a11 a12 a13 ··· a1n
0 a22 a23 ··· a2n
 
 
 
T =

 0 0 a33 ··· a3n 

 .. .. .. .. .. 

 . . . . . 

0 0 0 ann
PT (X ) = det (T − XIn )

a −X a a13 · · · a1n
11 12
0 a22 − x a23 · · · a2n

0
= 0 a 33−X · · · a3n

. .
.. .. . .. . . . ...

0 0 0 ann − X

= (a11 − X ) (a22 − X ) ...... (ann − X )
dont les racines sont exactement a11 , a22 , ..., ann .

Plan
3 Diagonalisation
Proposition
Soient A, B ∈ Mn (K) , deux matrices semblables, c’est à dire,
il existe P ∈ Mn (K) inversible avec B = P −1 AP. on écrit
A v B.
On a
PA (X ) = P(P −1 AP) (X ) = PB (X ) .
Plan
3 Diagonalisation
Définition
Soit u ∈ EndK (E ). On appelle polynôme caractéristique
(resp. trace) de u, le polynôme caractéristique (resp. trace) de
la matrice de u dans une base quelconque de E . Pu (X ) = le
polynôme caractéristique de u. On note tr u = la trace de u.
Définition
L’endomorphisme u de E est diagonalisable s’il existe une base
B de E telle que Mat (u, B) soit diagonale.Une matrice
A ∈ Mn (K) est dite diagonalisable s’il existe P inversible
telle que D = P −1 AP, matrice diagonale. D s’appelle une
réduite diagonale de A.
Définition
Soit λ, une valeur propre de u ∈ EndK (E ). L’ordre de
multiplicité de la racine λ dans Pu (X ) est appelé la multiplicité
de la valeur propre λ et notée mλ .
λ est dite valeur propre multiple d’ordre mλ de u.
Si λ est racine multiple d’ordre mλ de Pu (X ) .
Si mλ , on dit que λ est valeur propre simple,
si mλ , double, entre autre.
Proposition
Soit λ une valeur propre, et mλ l’ordre de multiplicité de λ en
tant que racine de Pu (X ). On a alors :
1 ≤ dim(Eλ ) ≤ mλ .
Définition
Soit A ∈ Mn (K), PA (X ) le polynôme caractéristique de A est
totalement scindé sur K si:
n
PA (X ) = (−1)n (X − λi )mi ,
Y
i=1
pour λi ∈ K, ∀i.
Exemple
Dans R, PA (X ) = −X (X − 2)3 (X + 6)2 est un polynôme
scindé
Mais, Dans R, PB (X ) = −X (X 2 + 1) (X + 6)2 n’est pas un
polynôme scindé.
Remarque
Soit A ∈ Mn (K), si PA (X ) le polynôme caractéristique de A
est totalement scindé sur K c’est-à-dire:
n
PA (X ) = (−1)n (X − λi )mi ,
Y
i=1
X
pour λi ∈ K, ∀i, alors n = mi .
i
Diagonalisation
Plan
3 Diagonalisation
Diagonalisation
Plan
3 Diagonalisation
Diagonalisation
Définition
1 Un endomorphisme f ∈ L(E ) est dit diagonalisable s’il

existe une base B de E telle que la matrice de f ,
M(f , B, B), est diagonale.
2 Une matrice A ∈ Mn (K) est diagonalisable si elle est
semblable à une matrice diagonale, c’est-à-dire si il existe
une matrice P inversible telle que P −1 AP est une matrice
diagonale.
Diagonalisation
Proposition
f ∈ L(E ). On a
1 f est diagonalisable si et seulement si E admet une base
B 0 formée par des vecteurs propres de f .
2 f est diagonalisable si et seulement si sa matrice
0
M(f , B, B) est diagonalisable. Dans ce cas PBB la matrice
de passage de B à B 0 .
3 f est diagonalisable si et seulement si la somme des
dimensions de ses sous espaces propres est égale à
n = dim(E ).
Diagonalisation
4 Une matrice A ∈ M(K ) est diagonalisable si et seulement

si l’endomorphisme
f : Kn → Kn
X 7→ AX
est diagonalisable.
5 Une matrice A ∈ Mn (K) est diagonalisable si et
seulement si la somme des dimensions de ses sous espaces
propres est égale à n = dim(E ).
Diagonalisation
Théorème
Soient E un K-espace vectoriel de dimension n,
u ∈ EndK (E ) . Les assertions suivantes sont équivalentes
1 u est diagonalisable
2 Pu (X ) le polynôme caractéristique de u est totalement

scindé sur K, et pour chaque valeur propre λi d’ordre de
multiplicié ki , on a dim Nλi = ki . où Nλi est le
sous-espace vectoriel propre associé à la valeur propre λi .
Remarque
∀u ∈ EndK (E ), avec Pu (X ) le polynôme caractéristique de u
totalement scindé sur K et de racines simples, alors u est
diagolisable.
Diagonalisation
Exemple
 
0 1 1
La matrice A =  1 0 1 

 est-elle diagonalisable?
0 0 1
PA (X ) = − (X − 1)2 (X + 1) .
λ1 = −1, valeur propre simple λ2 = 1, valeur propre double.

On a N1 = vect (e10 ) avec e10 = (1, 1, 0) ainsi dim N1 = 1 < 2
or l’ordre de multiplicité de λ2 est 2, donc A n’est pas
diagonalisable.
Théorème
Toute matrice réelle symétrique est diagonalisable.
Diagonalisation
Plan
3 Diagonalisation
Diagonalisation
La procédure est un peu longue à appliquer, mais assez simple.
1 Factoriser le polynôme caractéristique

Attention au calcul du déterminant : le but étant de
factoriser, vous avez intérêt à combiner des lignes ou des
colonnes, plutôt que de développer, même en dimension
3. Si le polynôme caractéristique a des racines complexes,
la matrice n’est pas diagonalisable dans R, mais elle peut
l’être dans C. Nous supposons désormais que le polynôme
caractéristique est scindé :
n
PA (X ) = (−1)n (X − λi )mi .
Y
i=1
Diagonalisation
2 Trouver une base de chaque sous-espace propre

Vous avez k systèmes linéaires à résoudre. Si pour l’une
des valeurs propres λi , le système (A − λi I)x = 0 est de
rang strictement supérieur à n − mi (l’ensemble des
solutions est de dimension strictement inférieure à mi ),
alors la matrice n’est pas diagonalisable. Supposons que
vous ayez bien trouvé une base de mi vecteurs propres
pour chaque valeur propre λi . Rassemblez les vecteurs
que vous avez trouvés pour chaque valeur propre, il y en a
n en tout. La matrice dont les colonnes sont ces n
vecteurs est la matrice de passage P de la base canonique
à la nouvelle base.
Diagonalisation
3 Calculer l’inverse de P.
Vous avez alors explicité la diagonalisation : P −1 AP = D.
Attention à respecter le même ordre dans l’écriture des
valeurs propres, et dans celle des colonnes de P. Le calcul
de P −1 n’est pas indispensable, sauf si vous avez
explicitement besoin du changement de base.
4 Vérifiez vos calculs.
Le plus simple est de calculer PDP −1 : vous devez
retrouver A. Vous pouvez aussi vérifier pour chacun des
vecteurs que vous avez trouvés qu’il est bien vecteur
propre.
Pour le cas des valeurs propres de multiplicité 1, signalons
comme alternative à la résolution du système linéaire, la
"méthode des cofacteurs", à utiliser uniquement en
dimensions 2 et 3.
Diagonalisation
Exemple
Soit  
0 1 1
−1 3 −1 
A=
 2 2 2 
3 −3 1
2 2 2
Commençons par écrire la matrice A − XI.

 
−X 1 1
 −1 3 −1
A − XI =  2 2
−X 2


3 −3 1
2 2 2
−X
Il faut ensuite calculer son déterminant. Il serait maladroit

d’utiliser la règle de Sarrus pour développer le déterminant et
le factoriser ensuite. Il vaut mieux le factoriser en faisant
apparaître des zéros par combinaison de lignes et de colonnes.
Ajoutons d’abord la seconde colonne à la première :
Diagonalisation

−X 1 1 1 − X 1 1

−1 3 −1 3 −1
PA (X ) = 2 2
−X 2
= 1 − X

2
−X 2

3 −3 1 C1 ←C1 +C2 −3 1
−X − X

0
2 2 2 2 2
On peut alors factoriser (1 − X ) dans la première colonne :

1 1 1

3 −1
PA (X ) = (1 − X ) 1 2
−X 2

−3 1
− X

0
2 2
Soustrayons ensuite la première ligne à la deuxième :

Diagonalisation

1 1 1

3 −1
PA (X ) = (1 − X ) 1 2
−X 2
L2 ← L2 − L1
−3 1
− X

0
2 2

1 1 1

1 −3
= (1 − X ) 0

2
−X 2

−3 1
− X

0
2 2
Diagonalisation
Ajoutons la deuxième ligne à la troisième :

1 1 1

1 −3
PA (X ) = (1 − X ) 0 2
−X 2
L3 ← L2 + L3
−3 1
− X

0
2 2

1 1 1

1 −3
= (1 − X ) 0

2
−X 2

−1 − X −1 − X

0
On peut alors factoriser (−1 − X ) dans la deuxième ligne :

1 1 1

1 −3
PA (X ) = (1 − X )(−1 − X ) 0 2
−X 2

0 1 1
Soustrayons ensuite la troisième colonnes à la deuxième :

Diagonalisation

1 1 1

1 −3
PA (X ) = (1 − X )(−1 − X ) 0

2
−X C
2 2
← C2 − C3
0 1 1

1 0 1

−3
= (1 − X )(−1 − X ) 0 2−X 2

0 0 1
Par suite, on a :
PA (X ) = (1 − X )(−1 − X )(2 − X ).
Les valeurs propres de A sont donc 1, −1 et 2. Comme elles

sont distinctes, il suffit de trouver un vecteur propre pour
chacune.
Diagonalisation
n o
N1 = X ∈ R 3 ; AX = X
 
x
Soit X = y .
 
z
    
−1 1 1 x 0
(A − I)X = 0 ⇔  −1 1 −1   
y = 0
  
2 2 2    
3 −3 −1
z 0
 2 2 2

 −x + y + z = 0
−1
⇔ 2
x + 12 y − 21 z = 0
3
− 32 y − 21 z = 0


2
x
(
x = y
⇔
z = 0
Diagonalisation
Tous 
les vecteurs non nuls, proportionnels au vecteur
1
v1 = 1 sont vecteurs propres de A, associés à la valeur
 
0
propre 1. n o
N−1 = X ∈ R3 ; AX = −X
 
x
Soit X = y .
 
z
    
1 1 1 x 0
(A + I)X = 0 ⇔  −1 5 −1   
y = 0
  
2 2 2  
3 −3 3
2 2 2
z 0
Diagonalisation


 x +y +z = 0
−1
(A + I)X = 0 ⇔  2
x + 52 y − 21 z = 0
3

2
x − 32 y + 32 z = 0
(
x = −z
⇔
y = 0
Tous 
les vecteurs
 non nuls, proportionnels au vecteur
1
v2 =  0  sont vecteurs propres de A, associés à la valeur
 
−1
propre −1.
n o
N2 = X ∈ R3 ; AX = 2X
Diagonalisation
 
x
Soit X = y .
 
z
    
−2 1 1 x 0
(A − 2I)X = 0 ⇔  −1 −1 −1   
y = 0
  
2 2 2  
3 −3 −3
2 2 2
z 0


 −2x + y + z = 0
−1
⇔ 2
x− 12 y − 21 z = 0
3
− 32 y − 23 z = 0


2
x
(
x = 0
⇔
y = −z
Tous les vecteurs non nuls, proportionnels au vecteur

Diagonalisation
 
0
v3 =  1  sont vecteurs propres de A, associés à la valeur
 
−1
propre 2.
La matrice de passage P sera constituée en juxtaposant les
trois vecteurs v1 , v2 , v3 (en colonnes).
 
1 −1 0
P = 1 0 1


0 1 −1
Diagonalisation
La matrice diagonale D a pour coefficients diagonaux les trois

valeurs propres (attention : l’ordre des valeurs propres et des
vecteurs propres doit être le même).
 
1 0 0
D = 0 −1 0
 
0 0 2
Diagonalisation
Exercice  
1 1 1
Soit A =  1 1 1 
 
1 1 1
1 Montrer que A est diagonalisable.
2 Donner une réduite diagonale D de A. Vérifier la formule

D = P −1 AP où P est à déterminer.
Solution:
1 On a PA (X ) = X 2 (3 − X ).
λ1 = 0, valeur propre double. λ2 = 3, valeur propre
simple.
On a N0 = vect (e10 , e20 ) avec e10 = (1, 0, −1) ;
e20 = (0, 1, −1) .
N3 = vect (e30 ) avec e30 = (1, 1, 1) .
Diagonalisation
Ainsi dim N0 = 2 = l’ordre de multiplicité de la valeur propre 0

et dim N3 = 1 = l’ordre de multiplicité de la valeur propre
3. Donc A est diagonalisable.
1 Une réduite diagonale D de A.
 
0 0 0 h i
On a D =  0 0 0  P = e10 e20 e30 .
 
0 0 3
 
2 −1 −1
1
D = P −1 AP. avec P −1 =  −1 2 −1 .
3
1 1 1
Diagonalisation
Plan
3 Diagonalisation
Diagonalisation
Exemple
Soit  
1 0 0
A = 0 1 0 

.
1 −1 2
Démontrer que A est diagonalisable sur R et trouvons une
matrice P telle que P −1 AP soit diagonale.
Calculer Ak , quel que soit k ∈ N.
1 Commençons par calculer le polynôme caractéristique de
A:
1 − X 0 0

χA (X ) = det(A − XI3 ) = 0

1−X 0
−1 2 − X

1
χA (X ) = (1 − X )2 (2 − X )
Diagonalisation
2 Les racines du polynôme caractéristique sont les réels 1

avec la multiplicité m(1) = 2, et 2 avec la multiplicité
m(2) = 1. On remarque de plus que le polynôme est
scindé sur R.
3 Déterminons les sous-espaces propres associés.
Soit E1 le sous-espace propre associé à la valeur propre
double 1 : E1= ker(A − I3 ) = {X ∈ R3 | A · X = X }. Si
x
on note X = y alors :
z


 x = x
X ∈ E1 ⇐⇒ AX = X ⇐⇒ y = y
 x −y +z

= 0
⇐⇒ x −y +z =0
Diagonalisation
n x o
E1 = y
−x +y
| x ∈ R, y ∈ R est donc un plan vectoriel
   
1 0
dont, par exemple, les vecteurs X1 =  0  et X2 = 1
   
−1 1
forment une base.
Soit E2 le sous-espace propre associé à la valeur propre
simple 2 : E2 = ker(A − 2I3 ) = {X ∈ R3 | A · X = 2X }.
Alors :


 x = 2x
X ∈ E2 ⇐⇒ A · X = 2X ⇐⇒ y = 2y
 x − y + 2z

= 2z
⇐⇒ x = 0 et y = 0
Diagonalisation
n 0 o
E2 = 0 | z ∈ R est donc une droite vectorielle,
z  
0
dont le vecteur X3 = 0 est une base.
 
1
4 Les dimensions des sous-espaces propres sont égales aux
multiplicités des valeurs propres correspondantes :
dim E1 = 2 = m(1), dim E2 = 1 = m(2). La matrice A
est donc diagonalisable.
5 Dans la base (X1 , X2 , X3 ), l’endomorphisme représenté par
A (dans la base canonique) a pour matrice
 
1 0 0
D = 0 1 0 .
 
0 0 2
Diagonalisation
Autrement dit, si on note P la matrice de passage dont

les vecteurs colonnes sont X1 , X2 et X3 , c’est-à-dire
 
1 0 0
 0 1 0 ,
P= 
−1 1 1
Par suite,  
1 0 0
P −1 =  0 1 0 .
 
1 −1 1
On a P −1 AP = D et A = PDP −1 .
Diagonalisation
6 Pour tout k ≥ 0 :
 
1 0 0
D k = 0 1 0  .
 
0 0 2k
7 Pour tout k ≥ 0 :
k −1
Ak = PD

P   
1 0 0 1 0 0 1 0 0
=  0 1 0  0 1 0  0 1 0 
   
−1 1 1 0 0 2k 1 −1 1
 
1 0 0
=  0 1 0 .

k k k
2 −1 1−2 2
Diagonalisation
Exemple
a11 0 0 ··· 0
 
 0
 a22 0 ··· 0 

.
a33 · · · ..
 
Soit D =

 0 0 ;


.. .. .. ..

. . . . 0
 
 
0 0 ··· 0 ann
 k
··· 0
a11 0 0

k
 0
 ··· 0 
a22 0 
.
· · · .. 
 
Dk =  0 0 k
a33  ; où k ∈ N∗ .


 . . .
.. .. ..

 . . . 0 

k
0 0 ··· 0 ann
Soit A une matrice diagonalisable, alors il existe D matrice
diagonale et P inversible telle que
A = PDP −1 =⇒ Ak = PD k P −1 où k ∈ N∗ .
Diagonalisation
Exercice (
un+1 = 5un − 3vn
Soient les suites suivantes: (S) ⇐⇒
vn+1 = 6un − 6vn
avec u0 ; v0 donnés.
1 Ecrire (S) sous forme matricielle: Un+1 = AUn avec
" #
un
Un =
vn
2 Montrer que A est diagonalisable
" et que# l’une de ses
−4 0
réduites diagonales est: D = .
0 3
3 Trouver une matrice inversible P telle que A = PDP −1 et
calculer An ; ∀n ∈ N.
4 Déterminer les suites (un ) et (vn ) satisfaisant le système
de relations de récurrence (S)
Diagonalisation
Correction de l’exercice
1 Le système donné (S) s’écrit
" matriciellement:
# " #
un 5 −3
Un+1 = AUn avec Un = et A = .
vn 6 −6
2 Le polynôme caractéristique de A est
PA (X ) = (X + 4) (X − 3).
PA (X ) est scindé simple donc A est diagonalisable
On peut
" bien avoir
# une réduite diagonale de A:
−4 0
D= .
0 3
Les sous-espaces propres E(−4) = vect (1, 3) et
E3 = vect (3, 2).
−1
On a"A = PDP # avec " #
1 3 −1 −1 2 −3
P= ⇔P =
3 2 7 −3 1
Diagonalisation
" #
−4 0
et D = .
0 3
Aussi :
n −1
An = PD # "P =
(−4)n 0
" # " #
1 3 −1 2 −3
×
3 2 0 3n 7 −3 1
9 n 2 n 3 3 n
 
n
 3 − (−4) (−4) − 3 
An = PD n P −1 =  7 7 7 7 
 6
n 6 n 9 n 2 n ;
3 − (−4) (−4) − 3
7 7 7 7
∀n ∈ N.
.
3 Ainsi Un+1 = AUn et on a (Un )n∈N comme une suite
géométrique de raison A et de premier terme
U0 ⇒ Un = An U0 ; ∀n ∈ N
Diagonalisation
avec " #
u0
U0 = . ∀n ∈ N, on a:
v0
" #
un
Un = =
vn
9 n 2 n 3 3 n "
 
n
 3 − (−4) (−4) − 3  u0
#
 7 7 7 7 
 6 6 9 2  v0
3n − (−4)n (−4)n − 3n
7 " 7 # 7 7
un
=
vn
3 n 3 2 9 n
 
n n
−v 0 3 − (−4) − u 0 (−4) − 3
7 7 7 7
 
6 n 6 2 n 9
 
n
3 − (−4)n
 
u0 3 − (−4) − v0
7 7 7 7
Diagonalisation
Soient un intervalle I de R et le système différentiel linéaire,

défini pour t ∈ I par :
x10 (t) = a11 x1 (t) + a12 x2 (t)+ · · · +a1n xn (t) + b1 (t)



x20 (t) = a21 x1 (t) + a22 x2 (t)+ · · · +a2n xn (t) + b2 (t)



.. .. .. .. .. ..



 0
. = . + .+ . + .+.
xn (t) = an1 x1 (t) + an2 x2 (t)+ · · · +ann xn (t) + bn (t)

où pour tout i = 1; · · · ; n, les fonctions réelles t 7→ xi (t) sont

inconnues, les fonctions réelles t 7→ bi (t) sont connues et les
coefficients (aij )1≤i,j≤n sont des constantes réelles données.
Pour résoudre un tel système, nous posons :
 

x1 (t)
 
b1 (t)

a11 · · · · · · a1n
 . .. .. . 
x2 (t)
 
b2 (t)
   .. . . .. 
X (t) =  ..  , B(t) =  ..  , A= .
 
 .. .. 
 
 .   .  .. ..
 . . . .  
xn (t) bn (t) an1 · · · · · · ann
Diagonalisation
Alors, le système (S) peut s’écrire sous la forme matricielle

dX (t)
= AX (t) + B(t), pour t ∈ I.
dt
Supposons que A soit diagonalisable, c’est-à-dire que nous
puissions trouver une base telle que dans cette base,
D = P −1 AP soit diagonale, avec P la matrice de passage à
cette nouvelle base. Alors, en posant, pour tout t ∈ I, les
changements de variables Y (t) = P −1 X (t), C (t) = P −1 B(t),
(S) peut se réécrire sous la forme
dY (t)
= DY (t) + C (t),
dt
   
y1 (t) c1 (t)
y2 (t) c2 (t)
   
où Y (t) = 
 .. ,
 C (t) = 
 .. ,

 .   . 
yn (t) cn (t)
Diagonalisation
c’est-à-dire
y10 (t) = λ1 y1 (t)


 + c1 (t)
y20 (t) = λ2 y2 (t)


 + c2 (t)
(S)
e
.. .. ..



 0
. = . + .
yn (t) = λn yn (t) + cn (t)

La théorie classique sur les équations différentielles permet

ensuite de résoudre aisément ce nouveau système. Nous en
déduisons Y (t), puis X (t) = PY (t).
Diagonalisation
Exemple
On veut résoudre le système différentiel
x10 (t) = x1 (t) + 4x2 (t) − 4xn (t)




(S) x20 (t) = 3x1 (t) + 2x2 (t) − 4xn (t)
 0
xn (t) = 3x1 (t) − 3x2 (t) + xn (t)

 
1
avec X (0) = X0 = 2.
 
3
0
On a X = AX avec X (0) = X0 où
   
1 4 −4 1
3 2 −4
A= et 2 .
X0 = 
 
3 −3 1 3
Diagonalisation
Valeurs propres et vecteurs propres.

Les valeurs propres de A sont λ1 = 1, λ2 = −2 et λ3 = 5.
Les vecteurs propres associés sont
     
1 0 1
V1 = 1 , V2 = 1 , V3 = 1 .
     
1 1 0
Solutions générales.
Nous obtenons trois solutions
 t  
e 0
X1 (t) = e λ1 t V1 = X2 (t) = e λ2 t V2 = e −2t  ,
 t
e  ,
 
et e −2t
Diagonalisation
 5t 
e
X3 (t) = e λ3 t V3 =
 5t 
e  .
0
Les solutions du système X 0 = AX sont donc les fonctions de
la forme
X (t) = αX1 (t) + βX2 (t) + γX3 (t)
avec α, β, γ ∈ R.
Diagonalisation
Condition initiale.
On cherche quelle solution vérifie en plus X (0) = X0 . Or
X (0) = αX1 (0) + βX2 (0) + γX3 (0) = αV1 + βV2 + γV3
 
α+γ
α + β + γ 
=  
α+β
La condition initiale X (0) = X0 se transforme donc en le

système linéaire :


 α+γ = 1
α+β+γ = 2


α+β = 3
Diagonalisation
On trouve α = 2, β = 1, γ = −1. Ainsi l’unique solution qui

vérifie le système et la condition initiale est
2e t − e 5t
 
X (t) = 2e + e −2t − e 5t  .

 t 
2e t + e −2t

Beamer Diag 1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Beamer Diag 1

Transféré par

Droits d'auteur :

Formats disponibles

REDUCTION D’ENDOMORPHISME: DIAGONALISATION

1 Valeurs propres, vecteurs propres

1 Valeurs propres, vecteurs propres

1 Valeurs propres, vecteurs propres

1 Valeurs propres, vecteurs propres

On pose v = (1, 1, 1). On a f (v ) = 2v . On en déduit que 2

1 λ est valeur propre de A ⇐⇒ λ est valeur propre de u, où

λ est valeur propre de u ⇐⇒ ∃x ∈ E , x 6= 0E ;

2 Déterminer les sous-espaces vectoriels propres associés

1 Valeurs propres, vecteurs propres

PA (X ) = (−1)n X n + (−1)n−1 (trA) X n−1 + ... + det A.

1 Soit A ∈ Mn (K) et soit λ ∈ K. A = Mat (u, B) , B une

dont les racines sont exactement a11 , a22 , ..., ann .

1 Valeurs propres, vecteurs propres

1 Valeurs propres, vecteurs propres

1 Valeurs propres, vecteurs propres

1 Valeurs propres, vecteurs propres

1 Un endomorphisme f ∈ L(E ) est dit diagonalisable s’il

4 Une matrice A ∈ M(K ) est diagonalisable si et seulement

2 Pu (X ) le polynôme caractéristique de u est totalement

λ1 = −1, valeur propre simple λ2 = 1, valeur propre double.

1 Valeurs propres, vecteurs propres

La procédure est un peu longue à appliquer, mais assez simple.

1 Factoriser le polynôme caractéristique

2 Trouver une base de chaque sous-espace propre

Commençons par écrire la matrice A − XI.

Il faut ensuite calculer son déterminant. Il serait maladroit

On peut alors factoriser (1 − X ) dans la première colonne :

Soustrayons ensuite la première ligne à la deuxième :

Ajoutons la deuxième ligne à la troisième :

On peut alors factoriser (−1 − X ) dans la deuxième ligne :

Soustrayons ensuite la troisième colonnes à la deuxième :

Les valeurs propres de A sont donc 1, −1 et 2. Comme elles

Tous les vecteurs non nuls, proportionnels au vecteur

La matrice diagonale D a pour coefficients diagonaux les trois

2 Donner une réduite diagonale D de A. Vérifier la formule

Ainsi dim N0 = 2 = l’ordre de multiplicité de la valeur propre 0

1 Valeurs propres, vecteurs propres

2 Les racines du polynôme caractéristique sont les réels 1

Autrement dit, si on note P la matrice de passage dont

Soient un intervalle I de R et le système différentiel linéaire,

où pour tout i = 1; · · · ; n, les fonctions réelles t 7→ xi (t) sont

Alors, le système (S) peut s’écrire sous la forme matricielle

La théorie classique sur les équations différentielles permet

x10 (t) = x1 (t) + 4x2 (t) − 4xn (t)

Valeurs propres et vecteurs propres.

La condition initiale X (0) = X0 se transforme donc en le

On trouve α = 2, β = 1, γ = −1. Ainsi l’unique solution qui

X (t) = 2e + e −2t − e 5t  .

Vous aimerez peut-être aussi