1

Faculté d’Economie et de Gestion de Settat

1ère année Sciences économiques
Cours d’Algèbre linéaire et Mathématiques Financières
Année Universitaire 2020-2021
Prof. : A. OULDKHAL

Chapitre 2 : Diagonalisation de matrices carrées

I. Les espaces Rn / Les vecteurs

1. Définitions

R n  R  R  ...  R
u  x1 , x2 ,..., xn   R n
Les éléments de Rn sont appelés des vecteurs. Les réels sont appelés des scalaires.
Nous pouvons définir une opération somme sur Rn qui a les mêmes propriétés que la somme
dans R :

n  N * . Soient u  x1 , x2 ,..., xn   R n ; v   y1 , y2 ,..., yn   R n :

 La somme de u et v est le vecteur u  v  x1  y1 , x2  y2 ,..., xn  yn 

Nous définissons aussi une opération multiplication par un scalaire λ

 Le produit du scalaire λ par le vecteur u est le vecteur : λ . u = (λ x1,…. ,λ xn)

2.(x,y) =(2x,2y)
2. Combinaison linéaire de vecteurs/ vecteurs liés

Une combinaison linéaire de deux vecteurs u et v est un vecteur w tel que :

w  .u   .v;   R et   R

On dit que u, v et w sont liés.

Une combinaison linéaire de trois vecteurs u , v et w est un vecteur X tel que :

X  .u   .v   .w;  ,  ,  R

On dit que les 4 vecteurs u, v , w et X sont liés.

Exemple : (1,2,1)  2.(2,0,2)  1.(3,2,3) =(4,0,4) –(3,-2,3)= (1,2,1)

(1,2,1) est une combinaison linéaire des deux vecteurs (2,0,2); (3,2,3)
1 2 3
Dans ce cas le déterminant 2 0  2 est égal à 0
1 2 3

Lien avec les déterminants :

1
 2

En identifiant un vecteur de R3 (Rn ) avec un vecteur colonne de 3 lignes (n lignes):

 Dans R3 , trois vecteurs sont liés ssi le déterminant obtenu par les trois colonnes de vecteurs
est égal à 0.
 Dans R4 , quatre vecteurs sont liés ssi le déterminant obtenu par les quatre colonnes de
vecteurs est égal à 0.


 Dans Rn , n vecteurs sont liés ssi le déterminant obtenu par les n colonnes de vecteurs est
égal à 0.

3. Vecteurs libres
Des vecteurs sont libres si et seulement si ils ne sont pas liés.

 Dans Rn , n vecteurs sont libres ssi le déterminant obtenu par les n colonnes de vecteurs
est différent de 0.

4. Les sous-espaces de Rn
Ce sont des sous-ensembles de Rn non vides qui sont stables par combinaison linéaire :

1. F n’est pas vide

2. Pour tout vecteur u et v de F : .u   .v est aussi un vecteur de F

Exemple:

F= {(x,y)  R 2 tel que y=1 } n’est pas un sous-espace de R 2 .

(1,1) +(0,1) = (1,2) n’appartient pas à F

G= {(x,y)  R 2 tel que y=0 } est un sous-espace de R 2 .

λ.(x,0)+β. (x’,0)= (λ× x, 0)+ (β × x’ ,0) =(λ× x +β × x’ ,0) appartient à G

5. La dimension d’un espace de vecteurs ou bien d’un sous espace :

La dimension d’un espace (sous-espace) de vecteurs est le nombre maximum de vecteurs
libres que contient cet espace (sous-espace) de vecteurs.

Exemples :

1.Dans R3 :
On pose u1=(1,0,0), u2=(0,1,0), u3=(0,0,1)
(x,y,z)= x.(1,0,0) + y.(0,1,0)+ z.(0,0,1)= x.u1+y.u2+z.u3
Un vecteur quelconque de R3 s’écrit comme combinaison linéaire des 3 vecteurs (1,0,0),
(0,1,0),(0,0,1)
Par exemple u=(2,1,-1)= 2.u1+1.u2+-1.u3,

1 0 0
0 1 0 0
0 0 1

2
 3

Il y a 3 vecteurs libres dans R3.

Le nombre maximum de vecteurs libre dans R3 est 3. La dimension de R3 est 3
De même, dans R2
u1=(1,0) ; u2=(0,1)
(x,y)= x.(1,0) +y .(0,1)
La dimension est 2

2.Dans R4 :
(x,y,z,t)= x.(1,0,0,0) + y.(0,1,0,0)+ z.(0,0,0,1)+t.(0,0,0,1)
1 0 0 0
0 1 0 0
0
0 0 1 0
0 0 0 1
Le nombre maximum de vecteurs libre est 4. La dimension de R 4 est 4

3. F= {(x,y)  R 2 tel que y=0}

u=(x,y)  F ssi (x,y)= (x,0) = x.(1,0)

on pose u1 =(1,0)
u  F ssi u = x. u1 ; (λ=x)
on dit que u est proportionnel à u1 ou bien que u et u1 sont liés.
Le nombre maximum de vecteurs libre est 1. La dimension de F est 1

Attention :La dimension de F={(0,0)} n’est pas égale 1 car (0,0) n’est pas considéré comme un
vecteur libre. Dim F=0

II. Diagonalisation de matrices carrés

Etapes à suivre :
1. Polynôme caractéristique
2. Valeurs propres
3. Vecteurs propres
4. Sous-espace propres
5. Diagonalisation

1. Polynôme caractéristique d’une matrice carrée A

P( x)  ax 2  bx  c, x  R
P( x)  ax 3  bx 2  cx  d , x  R
Les solutions de l’équation : P ( x)  0 sont appelées les racines du polynôme P

1.1 Définition
Soit A une matrice carrée d’ordre n, à coefficients dans R.
On appelle polynôme caractéristique de A :

P(  ) = det ( A -  .In) ;   R .

P est un polynôme de degré n en  .

3
 4

1.2 Exemple
 3 1 
A =  
 0 2 
Soit   R
3 1 1 0 3   1 
A -  .I2=    .    
0 2 0 1  0 2   
3 1
Det(A -  .I2) = = (3-λ)(2- λ)= λ2 - 5 λ +6 = P(λ)
0 2
Matrice d’ordre 2  Polynôme caractéristique de A est de degré 2
Matrice d’ordre n  Polynôme de degré n

 1 1 0 0 
 
 0 1 0 1 
2. A = 
0 1 1 0 
 
 1 0 1 2 
 
 1 1 0 0 1 0 0 0  1   1 0 0 
     
 0 1 0 1 0 1 0 0  0 1   0 1 
A I      
4 0 1 1 0 0 0 1 0 0 1 1  0 
     
 1 0 1 2 0  
1  1 2   
   0 0 0 1
1  1 0 0
0 1  0 1
P ( )  Dév.
  
1ère ligne

0 1 1  0
1 0 1 2
1  0 1 0 0 1
 1    1 1  0 1 0 1  0 
0 1 2 1 1 2
 1    0 1 1    
1   1      1 
 1 2    0 1 
0 1   
- 11 
1 1
P(  ) = 1   1   1   2     1 - 1    =
  1   1   1   2     1 - 1 
1   en facteur

1   1   1   2    

1   3 2   
 P( )  1    2   
3

Remarque : Un polynôme de degré n admet au maximum n racines réelles.

3. Valeurs propres :
Soit A une matrice carrée d’ordre n.

4
 5

Définition d’une valeur propre :

On appelle valeur propre de A toute solution réelle de l’équation P(  ) = 0.
Les valeurs propres sont les racines réelles du polynôme caractéristique P.

Ordre de multiplicité d’une valeur propre:

Le polynôme caractéristique de la matrice A admet au plus n racines réelles.
Soient  1,  2,…,  k les racines de P supposées toutes réelles, alors P s’écrit : (k≤n)
P( )  det( A  ..I n )  (1   ) n1  ....  (i   ) ni  .....  (k   ) nk

ni : s’appelle l’ordre de multiplicité de la valeur propre i . i=1,...,n

L’ordre de multiplicité de la valeur propre  i est la puissance du monôme (  i -  ) dans
l’écriture (1) du polynôme caractéristique.

Exemple
 3 1 
1/ A =  
 0 2 
3 1
P(  ) = = = λ2 - 5 λ +6= (2   ) 1 3   
1

0 2
P( )  0    2 ou   3
1  3 est une valeur propre de A. Son ordre de multiplicité est 1.
2  2 est une valeur propre de A. Son ordre de multiplicité est aussi 1.
 1 1 0 0 
 
 0 1 0 1 
2/ A = 
0 1 1 0 
 
 1 0 1 2 
 

P( )  1    2   
3

1  1 est une valeur propre de A. Son ordre de multiplicité est 3.

2  2 est une valeur propre de A. Son ordre de multiplicité est 1.

4. Vecteurs propres :
Soit A une matrice carrée d’ordre n.
 x1 
 
 x2 
Un vecteur V de Rn peut s’écrire en colonne : V    ;

 
x 
 n
 x
 
Par exemple, dans le cas n=3 : V   y 
z
 
Définition
On dit que V est un vecteur propre associé à la valeur propre λ si :
1. V  0 Rn
2. A V    V

5
 6

Exemples :
 3 1 
1. A =  
 0 2 

1. Vecteurs propres associé à la valeur propre λ = 3

 x
V =  
 
y
 3 1  x   x   3x   3x  y   3x 
A. V  3  V      3.          
 0 2  y   y  3y   2 y  3y 
3x  y  3x y  0 y  0
    y0
2 y  3 y 2 y  3 y y  0
1
Nous avons une infinité de solutions, en particulier   est un vecteur propre associé à la
0
valeur propre 3.

L’ensemble des solutions :

 
E3  ( x, y )  R 2 : y  0

Quelque soit (x,y) appartient E :

(x,y)= (x,0)= x.(1,0) =λ1. (1,0)
(x,y) est proportionnel à (1,0). (x,y) et (1,0) sont des vecteurs liés.
Le nombre maximum de vecteurs libres dans E3 est 1.
Dim E3=1

2. Vecteur propre associé à la valeur propre λ = 2

 3 1  x   x   2x   3x  y   2 x 
A V  2  V      2.          
 0 2  
y    
y 2 y  2 y  2y
3x  y  2 x x  y  0
   x y 0
 2 y  2 y  y  y
1
Nous avons une infinité de solution, en particulier   est un vecteur propre associé à la
 1
valeur propre 3. L’ensemble des solutions:


E2  ( x, y)  R 2 : x  y  0
Quelque soit (x,y) appartient E :
(x,y)=(x,-x) = x.(1,-1) = λ1. (1,-1)
(x,y) est proportionnel à (1,-1). Les deux vecteurs sont liés. Dim E2=1

Résultats sur les systèmes linéaires :

Soit un système linéaire : A. X  b ; A est une matrice d’ordre n. X et b sont des vecteurs
colonnes.
X est l’inconnu et b est le second membre.

1
1

1. Si A est inversible alors A  A. X   A A . X  I n . X  X  A b
1

6
 7

il y a une unique solution X  A1.b

2. Si A n’est pas inversible alors, si elle existe, la solution n’est pas unique. Il y a 2 cas
possibles :
1. Il n’y a pas de solutions
2. Il y a une Infinité de solution

Cas du système vérifiés par les vecteurs propres

Soit λ valeur propre de A . Le système vérifié par un vecteur propre est :
A  V    V  A  V    V  0  ( A  .I n ).V  0

λ est valeur propre de A  P( )  det( A  I n )  0  A  I n n' est pas inversible (cas 2)

Le système ( A  I n ).V  0 R n n’admet pas une solution unique.

Or, il y a toujours une solution de ( A  I n )V  0 Rn qui est V=0Rn (cas 2.2)

Donc il y a une infinité de solutions.

5. Sous-espaces propres :
Définition :
Il y a une infinité de vecteurs propres associés à une valeur propre donnée λ. L’ensemble des
vecteurs propres (auquel on ajoute le vecteur 0Rn) forme un sous- espace de vecteurs qu’on
appelle sous-espace propre associé à la valeur propre λ, noté E λ .

Exemple 1:
Le sous espace propre associé à la valeur propre 2 dans l’exemple 1 est :
E2= {(x,y) R 2 / x+y=0}.

Le sous espace propre associé à la valeur propre 3 est :

E3={(x,y)  R 2 / y=0}.

Exemple 2 :
Vecteurs propres associés à la valeur propre λ = 2

 1 1 0 0  x   x  x  y   2x 
        
 0 1 0 1  y   y  y  t  2y
A. V  2  V    2.    
0 1 1 0  z  z y  z   2z 
        
  1 0 1 2  t  t   x  z  2t   2t 
        
x  y  2x y  x
y  t  2y t  y
 
   x y  z t
 y  z  2 z  z  y
 x  z  2t  2t  x  z

Le sous espace propre associé à la valeur propre 2 est :

E2= {(x,y,z,t) R / x=y=z=t}.
4

Un vecteur propre u associé à la valeur propre 2 s’écrit :

7
 8

u  x, y, z, t   ( x, x, x, x)  x.1,1,1,1 =λ1.(1,1,1,1)

u= λ1.u1, avec u1=(1,1,1,1)
u et u1 sont proportionnels. Le nombre maximum de vecteurs libre est 1.
Le sous espace propre associé à 2 est de dimension 1

Vecteurs propres associés à la valeur propre λ = 1 (multiplicité 3)

 1 1 0 0  x   x  x  y   1x 
        
 0 1 0 1  y   y  y  t  1 y 
A.  V  1  V    1.    
0 1 1 0  z  z y  z   1z 
        
  1 0 1 2  t  t   x  z  2t   1t 
        
x  y  x y  0
y  t  y t  0
 
   x  z; y  t  0
y  z  z y  0
 x  z  2t  t  x  z
Le sous espace propre associé à la valeur propre 1 est :

E1={(x,y,z,t) R 4 / x=z et y=t=0}.

Un vecteur de E1 s’écrit : u  x, y, z, t   ( x,0, x,0)  x.1,0,1,0 =λ1.u1

avec u1=(1,0,1,0)
u et u1 sont proportionnels.
Le sous espace propre associé à la valeur propre 1 est de dimension 1.

6. Propriété des vecteurs propres :

Propriété1:
Deux vecteurs propres associés à deux valeurs propres différentes sont libres (non
proportionnels).
De même :
n vecteurs propres associés à n valeurs propres différentes sont libres.
u1 u2 u3 …un

λ1 λ2 λ3 …λn
Propriété2:
Si u1 et u2 deux vecteurs propres libres associés à une même valeur propres λ1 et u3 un vecteur
propre associé à une autre valeur propre λ2 alors les 3 vecteurs u1, u2 et u3 sont libres.
u1 u2 u3

λ1 λ3
De même :
Si u1 et u2 deux propres libres associés à une même valeur propres λ1 et u3, u4 deux vecteurs
propre libres associé à une autre valeur propre λ2 alors les 4 vecteurs u1, u2, u3 et u4 sont libres.
u1 u2 u3 u4

λ1 λ2

8
 9

Propriété3:
La dimension d’un sous-espace propre est inférieure ou égal à l’ordre de multiplicité de la
valeur propre associé :
1  dim(E λi ) ≤ ni.

7. Diagonalisation

Matrices semblables :
Soient A et B deux matrices carrées d’ordre n.
On dit que A et B sont semblables s’il existe une matrice carrée inversible désignée par P telle
que : A  P  B  P 1

On a l’équivalence :
A  P  B  P 1  B  P 1  A  P
En effet :
   
A  P  B  P 1  P 1  A  P 1  P  B  P 1  P 1  P  B  P 1  I n  B  P 1
1 1 1 1
P  A  B  P  P  A  P  B  P  P  B  In
B  P 1  A  P

Matrice diagonalisable :
Définition
A est diagonalisable si elle est semblable à une matrice diagonale D, c.a.d. il existe une matrice
inversible P telle que :

A  P  D  P 1

Théorème fondamentale de la diagonalisation

Soit A une matrice carrée d’ordre n.
A est diagonalisable ssi il existe n vecteurs propres de A qui sont libres.

En effet :
Supposons qu’il existe n vecteurs propres (Pi ) de A qui sont libres.

Pi : est un vecteur propre de A :

i valeur propre de A : A  Pi  i  Pi ; et Pi différent de 0

Soit P la matrice P1 P2  Pn 

P1, P2 ,…, Pn sont les colonnes de P formées par les vecteurs propres de A et qui sont libres.
Les vecteurs colonnes de P sont libres donc son déterminant est différent de 0 et donc elle est
inversible.

Construction de la matrice diagonale D :

Soit la matrice diagonale D formée par les valeurs propres de A, écrits sur la diagonale, autant
de fois que leur ordre de multiplicité :
 1  0
0 
 
 0 2   
D=  
   0
 
 0  0 n 
 

9
 10

On va montrer que : A  P  D  P1

Cette égalité équivaut en multipliant de part et d’autre par P (P-1) à A  P  P  D :

A  P  D  P 1  A  P  P  D

Les vecteurs (Pi)i=1,…,n sont des vecteurs propres , donc :

On a : A  Pi  i .Pi i=1,…,n Pi est un vecteur propre associé à la valeur propre λi.

Le produit de matrice A  P , s’écrit :

A  P1 P2  Pn    A  P1 A  P2  A  Pn 

Le produit de matrice P  D , s’écrit :

 1 0   0 
 
 0 2 
P  D  P1 P2  Pn          1.P1 2 .P2  n .Pn 
 
   0
0   0  
 n

 A  P1  1.P1
 A  P   .P

A P  P  D   2 2 2


 A  Pn  n .Pn

Or A  Pi  i .Pi i=1,…,n
Donc A  P  P  D (1)
1
Comme P est inversible on a : A  P  D  P (multiplier (1) de part et d’autre par P-1)

Résumé :
A est diagonalisable ssi:

A  P  D  P 1

D : matrice diagonale /sa diagonale est formée par les valeurs propres de A écrits sur la
diagonale de D, autant de fois que leur ordre de multiplicité.

P : s’appelle la matrice de passage/ ses colonnes sont des vecteurs propres de A.

Les vecteurs propres forment les colonnes de P et ils sont écrits dans le même ordre
d’apparition des valeurs propres sur la diagonale de D.

Condition suffisante de diagonalisation :

10
 11

Théorème
Soit une matrice A d’ordre n.
Si A admet n valeurs propres réelles distinctes (différentes) alors A diagonalisable.

En effet :
1 ,..., n : les valeurs propres de A
Il existe au moins un vecteur propre Pi associé à une valeur propre i :

 A  P1  1 .P1

 (2)
 A  P   .P
 n n n

On pose P  P1 P2  Pn 
(2)  A  P  P  D
Il suffit maintenant que P soit inversible pour pouvoir multiplier par P-1.

On sait que :n vecteurs propres associés à n valeurs propres distinctes sont libres (d’après les
propriétés des vecteurs propres)

Ce qui implique que le déterminant de P est différent de 0 et qu’elle est inversible et on peut
multiplier (1) par P-1:  A  P  D  P 1

Exemple :
 3 1 
A =  
 0 2 
A admet deux valeurs propres distinctes qui sont 3 et 2 donc d’après la condition suffisante de
diagonalisation, elle est diagonalisable.
Construisons D et P :
3 0  0  1
D    ; P=  
 0 2 1 1 

P est inversible
 A  P1  3.P1
on a : 
 A  P2  2.P2
 A  P  P  D  A  P  D  P 1

Condition nécessaire et suffisante de diagonalisation :

Théorème
Pour qu’une matrice soit diagonalisable, il faut et il suffit :
1. Toutes les valeurs propres sont dans R.
2. La dimension de chaque sous-espace propre est égale à l’ordre de multiplicité de la valeur
propre qui lui est associée.

Exemple :

11
 12

 1 1 0 0 
 
 0 1 0 1 
A = 
0 1 1 0
 
 1 
 0 1 2 
Les valeurs propres de A ne sont pas distinctes, donc on ne sait pas si A est diagonalisable.
Il faut chercher les sous espaces propres.

Vecteurs propres associés à la valeur propre λ = 2

1 1 00  x   x  x  y   2x 
        
0 1 01  y   y  y  t  2y
A. V  2  V    2.    .
0 1 10  z  z y  z   2z 
        
 1 0 2  t  t   x  z  2t   2t 
 1      
 x  y  2x  y  x
y  t  2y t  y
 
   x y  z t
 y  z  2z z  y
 x  z  2t  2t  x  z

Un vecteur propre associé à 2 s’écrit : x, y, z, t   x.1,1,1,1

Le sous espace propre associé à 2 est de dimension 1

Vecteurs propres associés à la valeur propre λ = 1 (multiplicité 3)

 1 1 0 0  x   x  x  y   1x 
        
 0 1 0 1  y   y  y  t  1 y 
A.  V  1  V    1.    .
0 1 1 0  z  z y  z   1z 
        
  1 0 1 2  t  t   x  z  2t   1t 
        
x  y  x y  0
y  t  y t  0
 
   x  z; y  t  0
 y  z  z  y  0
 x  z  2t  t  x  z
Un vecteur propre associé à 1 s’écrit : x, y, z, t   x.1,0,1,0
Le sous espace propre associé à 1 est de dimension 1. Or la valeur propre 1 est de multiplicité 3,
donc d’après le théorème, A n’est pas diagonalisable :

Nous pouvons toujours construire D :

1 0 0 0
 
0 1 0 0
D
0 0 1 0
 
0 2 
 0 0
1
Mais A-t-on l’existence de P inversible : A  P  D  P ? pour cela il faut avoir:

12
 13

 A  P1  1.P1
 A  P  1.P
 2 2

 A  P3  1.P3
 A  P4  2.P4
 1 1 
   
 1 1 
On prend P4    : vecteur propre associé à 2 et on prend P1    : vecteur propre
1 0
   
 1 0
   
associé à 1.

P2 , P3 : sont associés à la même valeur propre 1 et sont donc proportionnels à P1, donc le
déterminant de P va être nul et P ne sera pas inversible :

Conclusion : A n’est pas diagonalisable conformément au théorème.

1 0 0 0  1 ? ? 1
   
0 1 0 0  0 ? ? 1
D P
0 0 1 0 1 1
   
0 2  0 
 0 0  1 

Application : Calcul des puissances d’une matrice :

3 1
A=  
0 2
Soit à calculer A2020
A2020 = A×A×A×…..×A , 2020 fois
Or A est diagonalisable :
A = P D P-1
3 0  0  1
D    ; P=  
 0 2 1 1 

A2020 = P D P-1 ×P D P-1 ×P…. ×P D P-1. ×P D P-1 =

P D2020 P-1 ,
 32020 0 
D 2020   
 0 2 
2020

On doit calculer P-1 et multiplier D2020 à gauche par P et à droite par P-1

1  1  1 1  1 1
Det P= 1 Com(P)=   tCom(P)=   P-1=  
1 0   1 0  1 0
 2 2020 0 
A 2020
  2020 
2020 
 3  2 2020
3 

13