statistique 1 / Module 04 : Diagonalisation d`une

Math Stat 1
Module 4 : Diagonalisation d’une matrice
M4
Module 4 : Diagonalisation d’une matrice
1. Notion d’espace vectoriel réel
1) Lorsqu’un ensemble E est muni d’une opération de groupe commutatif (a+b=b+a) et d’une opération
externe appelée homothétie ayant comme propriétés :
- l’associativité α (βv ) = (αβ )v α, β réels ; v vecteur
- la distributivité
(α + β)v = α v + βv
α( v + v ′) = α v + αv ′
- neutre pour l’élément unité : 1 ⋅ v = v
on l’appelle espace vectoriel réel et ses éléments sont appelés vecteurs.
Exemple d’espaces vectoriels : l’ensemble des fonctions continues de ℜ dans ℜ, l’ensemble des polynômes
sur ℜ…
2) On appelle sous-espace vectoriel d’un espace vectoriel E toute partie de E qui constitue un espace
vectoriel pour les « mêmes » opérations.
2. Vecteurs propres – valeurs propres
Soit A une matrice carrée. On appelle vecteur propre V, non nul, associé à la valeur propre λ ∈ ℜ de A la
solution de l’équation :
AV = λV ⇔ AV − λV = 0 ⇔ ( A − λΙ )V = 0
Il s’agit d’un système d’équations linéaires homogènes (le second membre est nul.) Cette relation ne peut
pas être vérifiée si la matrice A − λΙ est régulière (ou inversible). C'est-à-dire, si la matrice A − λΙ est
régulière, ce système admet la solution unique V=0 (solution triviale).
Une valeur propre est donc une solution de l’équation det(A − λI) = 0 ) dont le 1er membre est un polynôme
de degré n en λ.
Lorsque la solution de cette équation admet n valeurs propres distinctes, il leur correspond n vecteurs
propres linéairement indépendants. On peut alors utiliser ces vecteurs pour construire une base. On peut
aussi les normer pour avoir une base d’un système orthonormée.
Si l’on représente une application linéaire d’un espace vectoriel dans lui-même à l’aide d’une base de
vecteurs propres (V1, V2 ,K Vn ) , la matrice obtenue est une matrice diagonale. Elle s’écrit :
λ1 0 0 K 0 


0
 0 λ2
D=M
O
M 


O


0 K
K λ n 

λ i étant la valeur propre associée au vecteur propre Vi .
Plus généralement, une application linéaire A est diagonalisable s‘il existe une base dans laquelle la matrice
associée est une matrice diagonale.
N.B. une application linéaire f de E dans F s’écrit :
L3_MS1_M3
1/6
Math Stat 1
Module 4 : Diagonalisation d’une matrice
M4
f (u + v ) = f (u) + f ( v )
f (αu) = αf (u)
f : E→F 
3. Pratique de la diagonalisation
3.1. Théorie
Pour diagonaliser une matrice M, on cherche d’abord les valeurs propres, en résolvant l’équation :
M − λΙ = 0 qui est de degré n en général. (avec M − λΙ = det[M − λΙ ]
Cette équation est appelée équation caractéristique.
Pour chaque racine1 λ j de cette équation, on cherche le sous-espace propre associé, c’est-à-dire
[
]
l’ensemble des vecteurs non nuls X tels que M − λ jI X = 0 et une base de ce sous-espace.
Si la réunion de ces bases comporte moins de n vecteurs, M n’est pas diagonalisable.
Si elle en comporte n, elle constitue une base de vecteurs propres ; la matrice H dont les colonnes sont ces
vecteurs propres est appelée matrice de passage.
M = H ⋅ D ⋅ H −1 où D est la matrice diagonale des valeurs propres.
Le sous-espace vectoriel associé à une valeur propre simple est toujours de dimension 1.
3.2. Exemples
Exemple 1 : Diagonaliser la matrice M :
14 − 4 − 4 


M=6
0 − 2
 6 − 2 0 
1) Résoudre l’équation caractéristique det[M − λΙ ] = 0
14 − λ − 4 − 4
− λ − 2 = 0 En remplaçant la 3ième colonne par 2ième colone-3ième colonne on ne changera pas le
6
−2 −λ
6
déterminant (Cf propriété des déterminants) on obtient :
⇔
14 − λ − 4
6
6
⇔
14 − λ
12
6
− λ − λ + 2 = 0 Puis en remplaçant la 2ième ligne par : 2ième ligne+3ième ligne on obtient :
−2 −2+λ
−4
−λ−2
−2
ième
partir de cette 3
1
0
0
0
λ−2
= 0 Comme il y a deux 0 dans la 3ième colonne, on calculera le déterminant à
colonne. Le calcul devient donc
On appelle racine d’une équation la (ou les) valeur(s) que résoud cette équation
L3_MS1_M3
2/6
Math Stat 1
⇔λ−2
Module 4 : Diagonalisation d’une matrice
14 − λ
(
= (λ − 2 )(λ
−4
−λ−2
12
= (λ − 2 )((14 − λ )(− λ − 2 ) + 48 )
= (λ − 2 ) − 14λ − 28 + λ2 + 2λ + 48
2
)
− 12λ + 20 = 0
⇔ λ − 2 = 0 ou
M4
)
λ2 − 12λ + 20 = 0
Rappel : Lorsque l’on a une équation du second degré de type : ax 2 + bx + c , on utilise, pour
factoriser
∆ = b 2 − 4ac
Les solutions de cette équation (Si ∆ ≥ 0 ) sont : (x ′ et x ′′) =
−b ± ∆
2a
pour la seconde équation λ2 − 12λ + 20
∆ = 12 2 − 4 ⋅ 20 = 144 − 80 = 64
12 + 8
= 10
2
(λ′λ ′′) = 12 ±
64
2
⇒ λ2 − 12λ + 20 = (λ − 10 )(λ − 2)
12 − 8
=2
2
L’équation det[M − λI] = 0 s’écrit donc :
⇒ (λ − 2 )(λ − 2 )(λ − 10 ) = 0
λ1 = λ 2 = 2
λ 3 = 10
Les valeurs propres obtenues sont donc 
2) Recherche des vecteurs propres associés aux différents λ i .
• D’abord associés à λ1 = λ 2 = 2
14 − λ1 − 4 − 4 


− λ1 − 2 
 6
 6
− 2 − λ1 
12x − 4 y − 4 z = 0

⇔ 6 x − 2 y − 2z = 0
6 x − 2 y − 2z = 0

x  0
   
y  = 0
z  0
Le système se réduit à l’équation :
6 x − 2y − 2z = 0 ⇔ 3 x − y − z = 0
Les vecteurs propres forment ici un plan vectoriel, dont on peut prendre une base formée de 2 vecteurs (on
dit un plan vectoriel de vecteurs directeurs), par exemple : (1,2,1), (1,1,2).
• Associés à λ 3 = 10
L3_MS1_M3
3/6
Math Stat 1
Module 4 : Diagonalisation d’une matrice
14 − λ 3

 6
 6
−4
− λ3
−2
−4 

−2 
− λ 3 
 x  0
   
 y  = 0
 z  0
4 x − 4 y − 4 z = 0

⇔ 6 x − 10 y − 2z = 0 ⇔
6 x − 2 y − 10z = 0

⇒ x=y+z
M4
x − y − z = 0

3 x − 5 y − z = 0
3 x − y − 5 z = 0

3 y + 3 z − 5 y − z = 0
⇒
⇔
3 y + 3 z − y − 5 z = 0
− 2y + 2z = 0

2 y − 2z = 0
⇔ y−z =0⇔ y = z
 x = 2y
⇒
y = z
On peut prendre une base de cette droite vectorielle, par exemple (2,1,1).
Donc on a obtenu 3 vecteurs propres indépendants et donc une base de vecteurs propres :
1
 
2
1
1
 
1
2
2
 
1
1
3) Matrice M :
 1 1 2


H = 2 1 1
1 2 1
M = H ⋅ D ⋅ H −1
Calcul de H −1
1 2 1


H′ = 1 1 2
2 1 1
 − 1 3 − 1
~ 

H′ = − 1 − 1 + 3 
 3 − 1 − 1
 1 0 0


H = 2 1 3
1 − 1 1
1 3
=1
=4
−1 1
H
−1
− 1 3 − 1
1

= − 1 − 1 3 
4
 3 − 1 − 1
L3_MS1_M3
4/6
Math Stat 1
Module 4 : Diagonalisation d’une matrice
⇒ M = H ⋅ D ⋅ H −1
1 1 2 2 0 0 



M = 2 1 1 0 2 0 
1 2 1 0 0 10
M4
− 0,25 0,75 − 0,25


− 0,25 − 0,25 0,75 
 0,75 − 0,25 − 0,25
On peut aussi écrire :
D = H −1 ⋅ M ⋅ H
2 0 0 


Exemple 2 : Diagonaliser la matrice M = 2 2 4 
4 0 10
2−λ
1)
0
2
2−λ
4
0
0
4
10 − λ
= 0 ⇔ (2 − λ )(2 − λ )(10 − λ ) = 0
Valeurs propres λ1 = λ 2 = 2
λ 3 = 10
2) Recherche des vecteurs propres associés à :
• λ 3 = 10
2 − λ 3

 2
 4
0
2 − λ3
0


4 
10 − λ 3 
− 8 x = 0

2 x − 8 y + 4z = 0 ⇒
4 x = 0

0
x  0
   
y  = 0
z  0
x = 0

z = 2 y
On peut prendre une base de cette droite vectorielle (0,1,2).
• λ1 = λ 2 = 2
0
0 
2 − λ1


2 − λ1
4 
 2
 4
0
10 − λ1 
0 = 0

2 x + 4z = 0
4 x + 8 z = 0

x  0 
   
y  = 0 
z  0 

 ⇔ x = −2 z

Droite vectorielle de vecteur directeur (-2,1,1).
On a une matrice d’ordre 3 ; on n’obtient que 2 vecteurs propres indépendants. La matrice n’est donc pas
diagonalisable.
4 Matrice orthogonale
La matrice des vecteurs propres est une matrice orthogonale
Si A est orthogonale alors : A −1 = A '
Si A est orthogonale ⇒ A ⊥ = 1 (si A est orthogonale, sont déterminant est égal à 1)
L3_MS1_M3
5/6
Math Stat 1
Module 4 : Diagonalisation d’une matrice
M4
Si A est ⊥ (orthogonale) les valeurs propres de A = ±1 (si A est orthogonale, ses valeurs propres sont
égales à + ou -1.
Si A est ⊥ et B est ⊥ ⇒ AB = C → C ⊥ (le produit de deux matrices orthogonales est une matrice
orthogonale)
Si A est symétrique alors ∀C C' AC = Λ ou Λ est la matrice des vecteurs propres de A
trA =
∑ λi
(la trace de A est égale à la somme des valeurs propres)
Si C ⊥ alors tr [C' AC] = tr[A ] Si C est orthogonale, alors la trace de la matrice [C’AC] est égale à la trace
de A.
Si A idempotente alors les valeurs propres de A sont =0 ou à 1, rang( A ) = tr [A ]
Si C’AC est idempotente alors C est orthogonale ( ⇒ C ⊥ )
L3_MS1_M3
6/6