Cours Diagonalisation

Diagonalisation d’un endomorphisme
Chapitre 1 : Diagonalisation d’un endomorphisme
FSJES-Ain Sebaa – LF MASS – S3/ 2020–2021 Algèbre II – Chap 1 Pr. Mohamed Elhia 1 / 38
Diagonalisation d’un endomorphisme
Diagonalisation
1 Diagonalisation d’un endomorphisme

Éléments propres d’un endomorphisme
Écriture sous forme matricielle
Calcul des valeurs propres et des vecteurs propres
Diagonalisation
Application aux systèmes récurrents linéaires
Application aux systèmes différentiels
Diagonalisation d’un endomorphisme Éléments propres d’un endomorphisme
1.1 Éléments propres d’un endomorphisme
Définition 1.1 (Valeur propre et vecteur propre)

Soit f un endomorphisme d’un espace vectoriel E.
On appelle valeur propre de f tout scalaire λ pour lequel il existe un vecteur non
nul x ∈ E tel que
f (x) = λ x.
Le vecteur non nul x se nomme vecteur propre associé à la valeur propre λ.
Le couple (λ, x) se nomme élément propre de f .
L’ensemble des valeurs propres de f est appelé spectre de f , on le note Sp(f ).
Remarque 1.1.
Un vecteur propre n’est jamais nul.
Une valeur propre peut-elle être nulle.
Les notions de valeur propre et de vecteur propre n’ont de sens que pour des
endomorphismes.
Le vecteur propre x associé à une valeur propre λ n’est pas unique. En effet, tout
vecteur non nul colinéaire à x est aussi vecteur propre associé à λ.
Exemple 1.1.
Soit f un endomorphisme de R2 définie par f (x, y ) = (x + 6y , x + 2y ).

On remarque que
f (2, 1) = (8, 4) = 4(2, 1) et f (−3, 1) = (3, −1) = −1(−3, 1)
alors (2, 1) et (−3, 1) sont deux vecteurs propres de f associés respectivement

aux valeurs propres 4 et −1.
Par contre f (1, 1) = (7, 3) ne s’écrit pas sous la forme λ (1, 1), donc le vecteur
(1, 1) n’est pas un vecteur propre de f .
Soit E l’espace vectoriel des fonctions définies sur R à valeurs dans R, de classe
C∞.
On considère l’endomorphisme Φ, de E dans E, qui associe à une fonction h sa
dérivée h0 :
Φ : C ∞ (R) → C ∞ (R)
h 7→ h0
toute application de la forme x 7→ eλx avec λ ∈ R est vecteur propre de Φ associé
à la valeur propre λ car, pour tout x ∈ R,
Φ(eλx ) = λ eλx .
Proposition 1.1 (Caractérisation des valeurs propres)

Soient E un espace vectoriel, f un endomorphisme de E et IdE : x ∈ E 7−→ x ∈ E
l’application identité de E. Une condition nécessaire et suffisante pour que λ ∈ R soit
valeur propre de f est que l’endomorphisme f − λ IdE ne soit pas injectif.
Définition 1.2 (Sous-espaces propres)

Soient f un endomorphisme d’un espace vectoriel E et λ ∈ R une valeur propre de f .
On appelle sous-espace propre associé à λ, et on note Eλ , le sous-espace vectoriel
de E constitué des vecteurs propres associés à λ et du vecteur nul. Autrement dit,
Eλ = {x ∈ E, f (x) = λx} = Ker(f − λ IdE ).
Remarque 1.2.
L’ensemble Eλ est un sous espace vectoriel de E. En effet, on a
0E ∈ Eλ .
Si x et y sont deux vecteurs propres associés à la même valeur propre λ de f ,
alors tout vecteur non nul de la forme αx + βy avec (α, β) ∈ R2 est aussi vecteur
propre associé à λ, car

f αx + βy = αf (x) + βf (y )
= αλx + βλy

= λ αx + βy
Exemple 1.2.
Reprenons l’exemple de l’endomorphisme f définie par
f : R2 −→ R2
(x, y ) 7−→ (x + 6y , x + 2y )
Déterminons E 4 , le sous-espace propre de f associé à la valeur propre 4.

Soit (x, y ) ∈ E4 = Ker (f − 4 IdR2 ), on a

f − 4 IdR2 (x, y ) = (0, 0) ⇒ (x + 6y , x + 2y ) − 4(x, y ) = (0, 0)
ß
x + 6y − 4x = 0
⇒
x + 2y − 4y = 0
ß
−x + 2y = 0
⇒
x − 2y = 0
⇒ x = 2y
D’où ß Å ã ™ ≠Å ã∑
2 2
E4 = {(2y , y ) | y ∈ R} = y | y ∈R =
1 1
Diagonalisation d’un endomorphisme Écriture sous forme matricielle
1.2 Écriture sous forme matricielle
Soient E un espace vectoriel de dimension finie n et B = (e1 , . . . , en ) une base de E.

Soient f ∈ L(E), λ ∈ R une valeur propre de f et x un vecteur propre de f associé à λ .
Ö è
x1

Si A = aij 1≤i,j≤n = MatB (f ) et X = MatB (x) = .. , alors l’égalité vectorielle
.
xn
f (x) = λx
s’écrit sous la forme matricielle

AX = λX .
Exemple 1.3.
Soient f un endomorphisme de R2 définie par f (x, y ) = (x + 6y , x + 2y ) et
Bc = (e1 , e2 ) la base canonique de R2 . C’est-à-dire :
Å ã Å ã
1 0
e1 = et e2 =
0 1
La matrice associée à f relativement à la base Bc est donnée par :
Åf (e1 ) f (e2 )ã
MatBc (f ) = 1 6 e1
1 2 e2
Ainsi
Å ãÅ ã ã Å
1 6 22
f (2, 1) = 4(2, 1) ⇐⇒ =4
1 2 11
Å ãÅ ã Å ã
1 6 −3 −3
f (−3, 1) = −1(−3, 1) ⇐⇒ = −1
1 2 1 1
Maintenant, on étend aux matrices carrées les notions définies précédemment sur les
endomorphismes.
Définition 1.3
Soit A une matrice carrée d’ordre n à coefficients dans R.
On appelle valeur propre de A tout scalaire λ ∈ R pour lequel il existe une
matrice-colonne X ∈ Mn,1 (R) non nulle telle que
AX = λX .
La matrice-colonne X ∈ Mn,1 (R) est appelée vecteur propre de A associé à λ et

le couple (λ, X ) se nomme élément propre de A.
On appelle spectre de A le sous-ensemble de R constitué de toutes les valeurs
propres de A. On le note Sp(A).
On appelle sous-espace propre de A associé à λ, et on note Eλ , le sous-espace
de Mn,1 (R) défini par
Eλ = {X ∈ Mn,1 (R) | AX = λX } = Ker(A − λIn )
Diagonalisation d’un endomorphisme Calcul des valeurs propres et des vecteurs propres
1.3 Calcul des valeurs propres et des vecteurs propres
Commençons par donner une caractérisation des valeurs propres, plus pratique que
celle de la proposition 1.1.
Proposition 1.2
Soient E un espace de dimension n muni d’une base B et, f un endomorphisme de E
de matrice associée A = MatB (f ) et In la matrice unité d’ordre n. Une condition
nécessaire et suffisante pour que λ ∈ R soit valeur propre de f est que
det(A − λIn ) = 0
Définition 1.4 (Polynôme caractéristique)

Soit A une matrice carrée d’ordre n sur R.
On appelle polynôme caractéristique de A le polynôme à coefficients dans R, de
degré n , noté PA , défini par
∀λ ∈ R PA (λ) = det(A − λIn ).
L’équation algébrique PA (λ) = 0, d’inconnue λ, s’appelle équation

caractéristique associée à la matrice A.
Trouver les valeurs propres d’un endomorphisme peut se ramener à un simple

calcul de déterminant et à une recherche de racine du polynôme caractéristique.
Proposition 1.3
λ est valeur propre de A si et seulement si λ est racine de PA (X ).
Exemple 1.4.
Soit A la matrice donnée par
Ñ é
−1 1 1
A= 1 −1 1
1 1 −1
Déterminons le spectre de A.
Le polynôme caractéristique de A est donné par

−1 − X 1 1
= (1 − X )(X + 2)2

PA (X ) = det(A − XIn ) = 1 −1 − X 1
1 1 −1 − X
Les valeurs propres de A sont les deux réels 1 et −2. On écrit :
Sp(A) = {1, −2}.
Le calcul des valeurs propres dépend-il de la base choisie ?
Proposition 1.4
Soient A et B deux matrices carrées semblables. Alors A et B ont le même polynôme
caractéristique
PA (X ) = PB (X ).
Remarque 1.3.
ã Å ã Å
0 0 0 0
La réciproque est fausse. En effet, les matrices et ont le même
0 0 1 0
polynôme caractéristique mains ne sont pas semblables car l’une représente
l’application nulle de R2 , et l’autre une application non nulle.
Quand on a déterminé les valeurs propres d’une matrice A, on cherche pour chaque
valeur propre λ les vecteurs propres associés en résolvant l’équation
(A − λIn )X = 0.
Il s’agit donc de déterminer le sous-espace propre Eλ associé à chaque valeur propre

λ.
Se pose maintenant la question de la dimension du sous-espace propre E λ .
Définition 1.5 (Ordre de multiplicité)

Soit A une matrice carrée.
Si λ est une racine de multiplicité m(λ) du polynôme caractéristique de A alors on dit
que λ est une valeur propre de multiplicité m(λ) de A.
Si m(λ) = 1 alors la valeur propre λ est dite simple.
Si m(λ) > 1 alors la valeur propre λ est dite multiple.
Elle est dite double lorsque m(λ) = 2 et triple lorsque m(λ) = 3.
Rappelons que α est une racine de P ∈ R[X ] d’ordre de multiplicité p si et seulement si

une des deux propriétés équivalentes suivantes est vérifiée :
Il existe Q ∈ R[X ] tel que P = (X − α)p Q.
P(α) = P 0 (α) = . . . = P (p−1) (α) = 0.
Exemple 1.5.
PA (X ) = (2 − X )(X + 3)2 alors 2 est une valeur propre simple de A et −3 valeur

propre double.
Proposition 1.5
Soit f un endomorphisme d’un espace vectoriel E de dimension finie. Soient λ une
valeur propre de f et Eλ son sous-espace propre et m(λ) son ordre de multiplicité.
Alors
1 ≤ dim Eλ ≤ m(λ).
En particulier, si λ est une valeur propre simple de f alors dim Eλ = 1.
Comment déterminer la dimension d’un sous-espace propre ?

Dans le cas d’une valeur propre simple, c’est immédiat car le sous-espace propre
associé est de dimension égale à 1 . En revanche, dans le cas d’une valeur propre λ
de multiplicité multiple (≥ 2), la dimension du sous espace propre Eλ s’obtient à partir
de la relation
dim Eλ = dim E − rg(A − λIn )
Cette relation vient de l’application du théorème du rang à l’endomorphisme f − λ IdE .
Exemple 1.6.
Ñ é
−1 1 1
A= 1 −1 1 =⇒ PA (X ) = (1 − X )(X + 2)2 et Sp(A) = {1, −2}
1 1 −1
Déterminons les dimensions des sous espaces propres E 1 et E −2 .
m(1) = 1 =⇒ 1 ≤ dim E1 ≤ 1 =⇒ dim E1 = 1
m(−2) = 2 =⇒ 1 ≤ dim E−2 ≤ 2 =⇒ Ñ dim E−2 é = 1 ou dim E−2 = 2 On
1 1 1
remarque que la matrice A + 2I3 = 1 1 1 et que son rang vaut 1
1 1 1
(puisqu’elle est non nulle et ses trois vecteurs colonnes sont dépendants). Donc
dim E−2 = dim R3 − rg(A − λIn ) = 3 − 1 = 2
Diagonalisation d’un endomorphisme Diagonalisation
1.4 Diagonalisation
Définition 1.6 (Diagonalisabilité d’un endomorphisme)

Soit f un endomorphisme d’un espace vectoriel E. On dit que f est diagonalisable s’il
existe une base de E dans laquelle la matrice de f est diagonale.
Proposition 1.6
f est diagonalisable si et seulement si E possède une base formée de vecteurs
propres de f .
Diagonaliser un endomorphisme f de E, c’est donc déterminer une base de E

constituée de vecteurs propres de f .
Définition 1.7 (Diagonalisabilité d’une matrice)

Soit A une matrice de Mn (R). On dit que A est diagonalisable si elle est semblable à
une matrice diagonale, c’est-à-dire s’il existe une matrice inversible P d’ordre n sur R,
et s’il existe une matrice diagonale D d’ordre n sur R, telles que
D = P −1 AP.
Diagonaliser A, c’est trouver D.
On va pouvoir parler indifféremment de diagonalisation de l’endomorphisme f

ou de sa matrice A, en raison de la proposition suivante.
Proposition 1.7 (Diagonalisabilité d’une matrice)

Soit A la matrice de f dans une base B.
f est diagonalisable si et seulement si la matrice A est diagonalisable.
Définition 1.8
Un polynôme de R[X ] est dit scindé sur R s’il peut s’écrire comme produit de
polynômes du premier degré de R[X ].
Exemple 1.7.
P(X ) = (X − 3)(X + 1)2 = (X − 3)(X + 1)(X + 1) est scindé sur R.

P(X ) = (X − 1)(X 2 + 4) n’est pas scindé sur R.
Nous admettrons sans démonstration la proposition suivante, qui donne une condition
nécessaire et suffisante pour qu’un endomorphisme soit diagonalisable.
Proposition 1.8 (Critère de diagonalisation)

Soit f est un endomorphisme d’un espace vectoriel E.
f est diagonalisable si et seulement si le polynôme caractéristique de f est scindé et,
pour toute valeur propre λi d’ordre de multiplicité mi , on a :
dim(Eλi ) = mi .
Corollaire 1.1 (Condition suffisante de diagonalisation)

Dans un espace vectoriel de dimension n, si le polynôme caractéristique de
l’endomorphisme f admet n racines distinctes deux à deux, alors f est diagonalisable.
Remarque 1.4.
La réciproque est fausse. Un endomorphisme f peut être diagonalisable sans que son
polynôme caractéristique ait n racines distinctes.
Par exemple f = IdE est diagonalisable, mais sa seule valeur propre est 1, son
polynôme caractéristique est donné par Pf (λ) = (1 − λ)n .
Proposition 1.9
Toute matrice symétrique est diagonalisable.
Étapes à suivre pour diagonaliser un endomorphisme ou une matrice
1 Étude de la diagonalisabilité de f .
I On détermine le polynôme caractéristique de f , c’est-à-dire
PA (X ) = det(A − XIn ).
où A est la matrice associée à f . On note λ1 , . . . , λp les racines de PA . Ce sont les
valeurs propres de f .
I Si PA n’est pas scindé, f n’est pas diagonalisable.
I Si PA est scindé, on compare dim Eλi et m(λi ) pour chaque valeur propre λi .
À ce stade, on n’a pas besoin de déterminer une base de Eλi . On remarquera que
dim Eλi = n − rg(A − λi In ).
L’endomorphisme f est diagonalisable si le critère de diagonalisation
(proposition 1.8) est vérifié.
2 Diagonalisation de f lorsque c’est possible.

I Pour chaque valeur propre λi , on détermine une base du sous-espace propre Eλi en
résolvant l’équation
(A − λi In )X = 0.

Notons Bi = ui,1 , . . . , ui,di la base de Eλi , où di est la dimension de Eλi .
I La famille B obtenue en réunissant toutes les Bi est une base de E, c’est-à-dire

B = u1,1 , . . . , u1,d1 , u2,1 , . . . , u2,d2 , . . . , up,1 , . . . , up,dp
La matrice de f dans cette nouvelle base est une matrice diagonale D. Sur sa
diagonale, il y a (dans cet ordre) : d1 fois la valeur λ1 , puis di fois la valeur λi , . . ., et dp
fois la valeur λp .

D = diag λ1 , . . . , λ1 , . . . , λi , . . . , λi , . . . λp , . . . , λp
| {z } | {z } | {z }
d1 fois di fois dp fois
On a D = P −1 AP,
où P est la matrice de passage de la base initiale à la base formée
de vecteurs propres.
Exemple 1.8.
Ñ é
−2 3 −3
Soit A la matrice définie par A = 0 1 −1
0 1 3
La matrice A est-elle diagonalisable ?
1 Le polynôme caractéristique est :

−2 − X 3 −3

PA (X ) = 0 1−X −1

0 1 3−X
= −(2 + X )(X − 2)2
PA (X ) est scindé et Sp(A) = {−2, 2} avec m(−2) = 1 = dim(E−2 ) et m(2) = 2.

On en déduit que A est diagonalisable si et seulement si dim(E2 ) = 2 = m(2).
2 Déterminons dim E 2 .
On a Ñ é
−4 3 −3
A − 2I3 = 0 −1 −1
0 −1 −1
−4 3
det(A − 2I3 ) = 0 et = 4 6= 0, donc rg(A − 2I3 ) = 2,
0 −1
et dim E2 = dim R3 − rg(A − 2I3 ) = 1 6= m(2).
Ainsi, A n’est pas diagonalisable.
Exemple 1.9.
Considérons l’endomorphisme f de R3 , qui est représenté dans la base

B = (e1 , e2 , e3 ) par la matrice
Ñ é
3 −1 −1
A= 1 1 −1
1 −1 1
L’endomorphisme f est-t-il diagonalisable ?

1 Le polynôme caractéristique de A est

3−X −1 −1
= (2 − X )2 (1 − X )

PA (X ) = det(A − XI3 ) = 1 1−X −1
1 −1 1−X
PA (X ) est scindé et Sp(A) = Sp(A) = {2, 1} avec m(1) = 1 = dim(E1 ) et

m(2) = 2.
On en déduit que f est diagonalisable si et seulement si dim(E2 ) = 2 = m(2).
2 Déterminons le sous-espace propre de E 2 .

Soit X = (x, y , z)T ∈ E2 = Ker(A − 2I3 ). On a
 
 x −y −z =0  x =y +z
(A − 2I3 )X = 0 =⇒ x −y −z =0 =⇒ y ∈R
x −y −z =0 z∈R
 
D’où
Ñ é  Ñ é Ñ é
 y +z  1 1
E2 = y / y , z ∈ R = hu2 , u3 i avec u2 = 1 et u3 = 0
z 0 1
 
Donc dim(E2 ) = 2 = m(2), et par conséquent f est diagonalisable.
3 Déterminons le sous-espace propre de E 1 .

Soit X = (x, y , z)T ∈ E1 = Ker(A − I3 ). On a
 
 2x − y − z = 0  y =x
(A − I3 )X = 0 =⇒ x −z =0 =⇒ z=x
x −y =0 x ∈R
 
D’où Ñ é  Ñ é
 x  1
E1 = x / x ∈ R = hu1 i où u1 = 1
x 1
 
4 Conclusion
0
Ñ B
La base u2 , u3 } est une base de R3 dans laquelle f est représenté par
= {u1 , é
1 0 0
D= 0 2 0 . La matrice de passage de B à B0 est
0 0 2
u1 u2 u3
↓ ↓ ↓
P= 1 1 1 ! e1
1 1 0 e2
1 0 1 e3
Diagonalisation d’un endomorphisme Application aux systèmes récurrents linéaires
1.5 Application aux systèmes récurrents linéaires
Une application classique est la résolution des systèmes récurrents linéaires, du type
Xk +1 = AXk , ∀k ∈ N
où A est une matrice carrée, et Xk désigne un vecteur dont on souhaite connaître

l’expression en fonction de k et d’une condition initiale qu’on note X0 .
Ici on a
Xk = AXk −1 = A AXk −2 = A2 Xk −2 = . . . = Ak X0
Donc, pour obtenir Xk explicitement en fonction de k et X0 , il faut calculer Ak . C’est

possible si A est diagonalisable,
c’est à dire qu’il existe une matrice diagonale
D = diag λ1 , . . . , λn et une matrice de passage P, telles que
A = PDP −1
On a alors
Ak = PDP −1 · PDP −1 . . . PDP −1 = PD k P −1 ∀k ∈ N
Donc
Xk = PD k P −1 X0 où D k = diag λk1 , . . . , λkn

Exemple 1.10.
Soient (un )n , (vn )n et (wn )n les trois suites réelles définies sous forme récurrente par
leurs premiers termes u0 , v0 , w0 et, pour tout n ∈ N, par le système suivant :

 un+1 = 3un − vn − wn
(S) vn+1 = un + vn − wn
wn+1 = un − vn + wn

Écrivons u n , v n , w n en fonction de n, u 0 , v 0 et w 0 .
En posant Ñ é
un
Xn = vn pour tout n ∈ N
wn
le système (S) s’écrit sous forme matricielle comme suit :
Ñ é Ñ éÑ é
un+1 3 −1 −1 un
vn+1 = 1 1 −1 vn ∀n ∈ N
wn+1 1 −1 1 wn
| {z } | {z } | {z }
Xn+1 A Xn
On a déjà montré que la matrice A est diagonalisable (voir l’exemple 1.9), et on a

A = PDP −1 avec
Ñ é Ñ é Ñ é
1 0 0 1 1 1 −1 1 1
−1
D= 0 2 0 P= 1 1 0 P = 1 0 −1
0 0 2 1 0 1 1 −1 0
On obtient alors
P Dn P −1
z
Ñ }| é{ zÑ }| é{ Ñ
z }| é{
1 1 1 1 0 0 −1 1 1
An = 1 1 0 0 2n 0 1 0 −1
1 0 1 0 0 2n 1 −1 0
n n
Ñ éÑ é
1 2 2 −1 1 1
= 1 2n 0 1 0 −1
1 0 2n 1 −1 0
Ñ n+1 n n
é
2 −1 1−2 1−2
= 2n − 1 1 1 − 2n
2n − 1 1 − 2n 1
Enfin, puisque Xn+1 = AXn implique Xn = An X0 , alors

é Ñ n+1
− 1 1 − 2n 1 − 2n
Ñ éÑ é
un 2 u0
vn = 2n − 1 1 1 − 2n v0
n n
wn 2 −1 1−2 1 w0
| {z } | {z }| {z }
Xn An X0
D’où, pour tout n ∈ N



 un = (2n − 1)(u0 − v0 − w0 ) + 2n u0

vn = (2n − 1)(u0 − w0 ) + v0

wn = (2n − 1)(u0 − v0 ) + w0


Diagonalisation d’un endomorphisme Application aux systèmes différentiels
1.6 Application aux systèmes différentiels
Définition 1.9 (Exponentielle de matrice)

On appelle exponentielle de la matrice A de Mn (R), la somme de la série normalement
convergente
+∞
X An A2
eA = = In + A + + ...
n! 2!
n=0
Proposition 1.10
Soient A, B et P trois matrices de Mn (R).
Si AB = BA alors eA+B = eA eB
−1
ePAP = PeA P −1
eA est inversible d’inverse e−A
ediag(λ1 ,...,λn ) = diag(eλ1 , . . . , eλn )
Soit A une matrice de Mn (R) à coefficients constants (indépendants de t).

Le système différentiel linéaire homogène
ß 0
Y (t) = AY (t),
(SD)
Y (0) = Y0
admet pour unique solution
Y (t) = et.A Y0
Ainsi, pour déterminer Y (t) il faut calculer formellement l’expression de et.A .
Supposons que A soit diagonalisable. C’est-à-dire qu’il existe P et D avec
D = diag(λ1 , . . . , λn ) et A = PDP −1
Donc
−1
et.A = eP(t.D)P
= Pet.D P −1
= Pet. diag(λ1 ,...,λn ) P −1
= Pediag(tλ1 ,...,tλn ) P −1
= P diag(etλ1 , . . . , etλn )P −1
D’où
Y (t) = P diag(etλ1 , . . . , etλn )P −1 Y0
Exemple 1.11.
On considère le système différentiel
 0
 x 0 (t) = 3x(t) − y (t) − z(t),

y (t) = x(t) + y (t) − z(t),

(SD)

 z 0 (t) = x(t) − y (t) + z(t),
x(0) = 0; y (0) = 1; z(0) = −1

Déterminons les expressions de x(t), y(t) et z(t) solutions de (SD).

Ñ é Ñ é
x(t) 0
Posons Y (t) = y (t) , pour tout t ∈ R, et Y0 = 1 .
z(t) −1
On a alors
x 0 (t)
Ñ é Ñ éÑ é
3 −1 −1 x(t)
0
Y (t) = y 0 (t) = 1 1 −1 y (t) = AY (t)
z 0 (t) 1 −1 1 z(t)
Ainsi
Y 0 (t) = AY (t),
ß
(SD) ⇔
Y (0) = Y0
Le système différentiel linéaire homogène (SD) admet pour unique solution
Y (t) = et.A Y0
Or, on a déjà montré que la matrice A est diagonalisable (voir l’exemple 1.9), et on
a A = PDP −1 avec
Ñ é Ñ é Ñ é
1 0 0 1 1 1 −1 1 1
−1
D= 0 2 0 P= 1 1 0 P = 1 0 −1
0 0 2 1 0 1 1 −1 0
On obtient alors
P etD P −1
z
Ñ }| é{ zÑ t }| é{ Ñ
z }| é{
1 1 1 e 0 0 −1 1 1
et.A = 1 1 0 0 e2t 0 1 0 −1
1 0 1 0 0 e2t 1 −1 0
t 2t t 2t
e − e2t
t
Ñ é
−e + 2e e −e
= −et + e2t et et − e2t
−et + e2t e − e2t
t
et
Enfin,
etA Y (0)
z }| é{ Ñ
z }| é{
t 2t
et − e2t t 2t
Ñ é Ñ
x(t) −e + 2e e −e 0
Y (t) = y (t) = −et + e2t et et − e2t 1
z(t) −et + e2t e − e2t
t
et −1

 x(t) = 0
⇒ y (t) = e2t
z(t) = −e2t


Cours Diagonalisation

Transféré par

Informations du document

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

Cours Diagonalisation

Transféré par

Droits d'auteur :

Formats disponibles

Diagonalisation d’un endomorphisme

Chapitre 1 : Diagonalisation d’un endomorphisme

1 Diagonalisation d’un endomorphisme

1.1 Éléments propres d’un endomorphisme

 Définition 1.1 (Valeur propre et vecteur propre)

Soit f un endomorphisme de R2 définie par f (x, y ) = (x + 6y , x + 2y ).

f (2, 1) = (8, 4) = 4(2, 1) et f (−3, 1) = (3, −1) = −1(−3, 1)

alors (2, 1) et (−3, 1) sont deux vecteurs propres de f associés respectivement

 Proposition 1.1 (Caractérisation des valeurs propres)

 Définition 1.2 (Sous-espaces propres)

Eλ = {x ∈ E, f (x) = λx} = Ker(f − λ IdE ).

Déterminons E 4 , le sous-espace propre de f associé à la valeur propre 4.

1.2 Écriture sous forme matricielle

Soient E un espace vectoriel de dimension finie n et B = (e1 , . . . , en ) une base de E.

s’écrit sous la forme matricielle

La matrice associée à f relativement à la base Bc est donnée par :

La matrice-colonne X ∈ Mn,1 (R) est appelée vecteur propre de A associé à λ et

Eλ = {X ∈ Mn,1 (R) | AX = λX } = Ker(A − λIn )

1.3 Calcul des valeurs propres et des vecteurs propres

 Définition 1.4 (Polynôme caractéristique)

∀λ ∈ R PA (λ) = det(A − λIn ).

L’équation algébrique PA (λ) = 0, d’inconnue λ, s’appelle équation

Trouver les valeurs propres d’un endomorphisme peut se ramener à un simple

Les valeurs propres de A sont les deux réels 1 et −2. On écrit :

Sp(A) = {1, −2}.

Le calcul des valeurs propres dépend-il de la base choisie ?

Il s’agit donc de déterminer le sous-espace propre Eλ associé à chaque valeur propre

Se pose maintenant la question de la dimension du sous-espace propre E λ .

 Définition 1.5 (Ordre de multiplicité)

Rappelons que α est une racine de P ∈ R[X ] d’ordre de multiplicité p si et seulement si

PA (X ) = (2 − X )(X + 3)2 alors 2 est une valeur propre simple de A et −3 valeur

Comment déterminer la dimension d’un sous-espace propre ?

 Définition 1.6 (Diagonalisabilité d’un endomorphisme)

Diagonaliser un endomorphisme f de E, c’est donc déterminer une base de E

 Définition 1.7 (Diagonalisabilité d’une matrice)

Diagonaliser A, c’est trouver D.

On va pouvoir parler indifféremment de diagonalisation de l’endomorphisme f

 Proposition 1.7 (Diagonalisabilité d’une matrice)

P(X ) = (X − 3)(X + 1)2 = (X − 3)(X + 1)(X + 1) est scindé sur R.

 Proposition 1.8 (Critère de diagonalisation)

 Corollaire 1.1 (Condition suffisante de diagonalisation)

Étapes à suivre pour diagonaliser un endomorphisme ou une matrice

2 Diagonalisation de f lorsque c’est possible.

= −(2 + X )(X − 2)2

PA (X ) est scindé et Sp(A) = {−2, 2} avec m(−2) = 1 = dim(E−2 ) et m(2) = 2.

Considérons l’endomorphisme f de R3 , qui est représenté dans la base

L’endomorphisme f est-t-il diagonalisable ?

PA (X ) est scindé et Sp(A) = Sp(A) = {2, 1} avec m(1) = 1 = dim(E1 ) et

2 Déterminons le sous-espace propre de E 2 .

Donc dim(E2 ) = 2 = m(2), et par conséquent f est diagonalisable.

3 Déterminons le sous-espace propre de E 1 .

1.5 Application aux systèmes récurrents linéaires

où A est une matrice carrée, et Xk désigne un vecteur dont on souhaite connaître

Donc, pour obtenir Xk explicitement en fonction de k et X0 , il faut calculer Ak . C’est

On a déjà montré que la matrice A est diagonalisable (voir l’exemple 1.9), et on a

Enfin, puisque Xn+1 = AXn implique Xn = An X0 , alors

D’où, pour tout n ∈ N

1.6 Application aux systèmes différentiels

 Définition 1.9 (Exponentielle de matrice)

Soit A une matrice de Mn (R) à coefficients constants (indépendants de t).

Déterminons les expressions de x(t), y(t) et z(t) solutions de (SD).

Le système différentiel linéaire homogène (SD) admet pour unique solution

Vous aimerez peut-être aussi

Définition 1.1 (Valeur propre et vecteur propre)

Proposition 1.1 (Caractérisation des valeurs propres)

Définition 1.2 (Sous-espaces propres)

Définition 1.4 (Polynôme caractéristique)

Définition 1.5 (Ordre de multiplicité)

Définition 1.6 (Diagonalisabilité d’un endomorphisme)

Définition 1.7 (Diagonalisabilité d’une matrice)

Proposition 1.7 (Diagonalisabilité d’une matrice)

Proposition 1.8 (Critère de diagonalisation)

Corollaire 1.1 (Condition suffisante de diagonalisation)

Définition 1.9 (Exponentielle de matrice)