Algèbre linéaire

Chapitre 4
Valeurs propres et vecteurs
propres

Master IASD

Tarik AMTOUT
[email protected]
 Valeurs propres et vecteurs propres
Définition
Soit A une matrice n  n et  un scalaire qu’on appelle Valeur
propre de A s’il existe un vecteur non nul x de Rn telle que
Ax = x.
Le vecteur x est appelé un vecteur propre correspondant à .

Figure 5.1
 Calcul des valeurs propres et des
vecteurs propres
Soit A une matrice n  n avec  une valeur propre et un vecteur
propre associé x. Ainsi Ax = x. Cette équation peut s'écrire
Ax – x = 0
C-à-d
(A – In)x = 0
Résoudre l'équation |A – In| = 0 pour  conduit à toutes les
valeurs propres de A.
En développant le déterminant |A – In|, on obtient un polynôme
selon . Ce polynôme est appelé polynôme caractéristique de A.

L’équation |A – In| = 0 est appelée l’équation caractéristique de A.

 Exemple 1
Trouver les valeurs propres et les vecteurs propres de la matrice
− 4 − 6
A=
Solution 3 5 
Cherchons d’abord le polynôme caractéristique de A.
On a
 − 4 − 6 1 0 − 4 −  − 6 
A − I 2 =   −   = 
 3 5   0 1   3 5 −  
A − I 2 = (−4 −  )(5 −  ) + 18 = 2 −  − 2
Nous résolvons maintenant l’équation caractéristique de A.
2 −  − 2 = 0  ( − 2)( + 1) = 0   = 2 or
ou − 1
Les valeurs propres de A sont 2 et –1.
Les vecteurs propres correspondants sont trouvés en utilisant ces
valeurs de  dans l'équation (A – I2)x = 0. Il existe de nombreux
vecteurs propres correspondant à chaque valeur propre.
 Pour  = 2
Nous résolvons l'équation (A – 2I2)x = 0 pour x.
La matrice (A – 2I2) est obtenu en soustrayant 2 à partir des
éléments diagonaux de A. On obtient
− 6 − 6  x1 
3    =0
 3   x2 
Cela conduit au système d'équations
− 6 x1 − 6 x2 = 0
3 x1 + 3 x2 = 0
Ainsi les vecteurs propres de A correspondant à  = 2 sont
des vecteurs non nuls de la forme
 x1   −1  −1
v1 =   = x2   = r  
 x2   1  1
 Pour  = –1
Nous résolvons l'équation (A + 1I2)x = 0 pour x.
La matrice (A + 1I2) est obtenue en ajoutant 1 aux éléments
diagonaux de A. On obtient − 3 − 6 x
  1 
3    =0
 6   x2 
Cela conduit au système d'équations
− 3x1 − 6 x2 = 0
3x1 + 6 x2 = 0
Ainsi les vecteurs propres de A correspondant à  = –1 sont
des vecteurs non nuls de la forme
 x1   −2   −2 
v 2 =   = x2   = s  
 x2   1  1
 Théorème
Soit A une matrice de taille nxn et  une valeur propre de A.
L'ensemble de tous les vecteurs propres correspondant à , avec
le vecteur nul, est un sous-espace de Rn. Ce sous-espace est
appelé espace propre de .
 Diagonalisation des matrices
Définition
Soient A et B des matrices carrées de même taille. B est dit
semblable à A s’il existe une matrice inversible C telle que
B = C–1AC. La transformation de la matrice A en matrice B de
cette manière est appelée transformation de similarité.

Théorème
Des matrices semblables ont les mêmes valeurs propres.
Définition
Une matrice carrée A est dite diagonalisable s’il existe une
matrice C telle que D = C–1AC est une matrice diagonale.

Théorème
Soit A une matrice nxn.
1. Si la matrice A a n vecteurs propres linéairement indépendants,
il est diagonalisable. La matrice C dont les colonnes sont
constituées de n vecteurs propres linéairement indépendants
peut être utilisée dans une transformation de similarité C-1AC
pour donner une matrice diagonale D. Les éléments
diagonaux de D seront les valeurs propres de A.
2. Si A est diagonalisable, alors il a n vecteurs propres
linéairement indépendants
 Note
Si A est semblable à une matrice diagonale D sous la
transformation C–1AC, alors on peut montrer que Ak = CDkC–1.
Ce résultat peut être utilisé pour calculer Ak.

−1
A = CD C
k k
 Théorème
Soit A une matrice symétrique de taille nxn.
(a) Toutes les valeurs propres de A sont des nombres réels.
(b) La dimension d'un espace propre de A est la multiplicité des
valeurs propres comme racine de l'équation caractéristique.
(c) La matrice A a n vecteurs propres linéairement indépendants.
Ch5_12
 Vecteurs orthonormés et
projections
Définition
Un ensemble de vecteurs dans un espace vectoriel V est appelé un
ensemble orthogonal si chaque paire de vecteurs de l’ensemble
est orthogonale. L’ensemble est dit orthonormé s’il est orthogonal
et si chaque vecteur est un vecteur unitaire.
 Exemple 1
Montrer que l'ensemble (1, 0, 0),  0, 3 , 4 ,  0, 4 , − 3  
  5 5   5 5   est un ensemble orthonormé.
Solution
( )
(1) orthogonalité: (1,0,0)  0, 53 , 54 = 0;
(1,0,0)  (0, 54 ,− 53 ) = 0;
(0, 53 , 54 ) (0, 54 ,− 53 ) = 0;
(2) vecteur unitaire :
(1,0,0) = 12 + 0 2 + 0 2 = 1
( ) = 0 + ( ) + ( ) =1
0, 53 , 54 2 3
5
2
4
5
2

(0, 54 , − 53 ) = 0 + (54 ) + (−53) = 1

2 2 2

L’ensemble est donc un ensemble orthonormé.

 Théorème
Un ensemble orthogonal de vecteurs non nuls dans un espace
vectoriel est linéairement indépendant.

Ch04_15
Définition
➢ Une base qui est un ensemble orthogonal est dite une base
orthogonale.
➢ Une base qui est un ensemble orthonormé est dite une base
orthonormée.
Bases canoniques
• R2: {(1, 0), (0, 1)}
• R3: {(1, 0, 0), (0, 1, 0), (0, 0, 1)} bases orthonormées
• Rn: {(1, …, 0), …, (0, …, 1)}

Théorème
Soit {u1, …, un} être une base orthonormée pour un espace
vectoriel V. Soit v un vecteur de V. v peut s'écrire comme une
combinaison linéaire de ces vecteurs de base comme suit :
v = ( v  u1 )u1 + ( v  u 2 )u 2 +  + ( v  u n )u n
 Exemple 2
Les vecteurs suivants u1, u2, and u3 forment une base
orthonormée pour R3. Exprimer le vecteur v = (7, −5, 10) comme
combinaison linéaire de ces vecteurs
 3 4  4 3
u1 = (1, 0, 0), u 2 =  0, , , u 3 =  0, , − 
 5 5  5 5
Solution
v  u1 = (7, − 5, 10)  (1, 0, 0) = 7
 3 4
v  u 2 = (7, − 5, 10)   0, ,  = 5
 5 5
 4 3
v  u 3 = (7, − 5, 10)   0, , −  = −10
 5 5
Ainsi
v = 7u1 + 5u 2 − 10u 3
 Projection d'un vecteur sur un autre vecteur

Définition
La projection d'un vecteur v sur un vecteur non nul u dans Rn est
notée projuv et est définie par
v u
proju v = u
u u

O
 Exemple 3
Déterminer la projection du vecteur v = (6, 7) sur le vecteur
u = (1, 4).
Solution
v  u = (6, 7)  (1, 4) = 6 + 28 = 34
u  u = (1, 4)  (1, 4) = 1 + 16 = 17
Ainsi
v u 34
proju v = u = (1, 4) = (2, 8)
u u 17
La projection de v sur u est (2, 8).
 Théorème
Le processus d'orthogonalisation de Gram-Schmidt
Soit {v1, …, vn} une base d'un espace vectoriel V. L’ensemble des vecteurs
{u1, …, un} défini ainsi est orthogonal. Pour obtenir une base orthonormée
pour V, on normalize chacun des vecteurs u1, …, un .
u1 = v1
u 2 = v 2 − proju1 v 2
u 3 = v 3 − proju1 v 3 − proju 2 v 3

u n = v n − proju1 v n −  − proju n −1 v n
 Exemple
L’ensemble {(1, 2, 0, 3), (4, 0, 5, 8), (8, 1, 5, 6)} est linéairement
indépendant dans R4. Les vecteurs constituent la base d'un sous-
espace tridimensionnel V de R4. Construire une base orthonormée
pour V.
Solution
Soit v1 = (1, 2, 0, 3), v2 = (4, 0, 5, 8), v3 = (8, 1, 5, 6)}.
Utilisez le processus de Gram-Schmidt pour construire un
ensemble orthogonal à partir de ces vecteurs. {u1, u2, u3}
Soit
Let u1 = v1 = (1, 2, 0, 3)
(v2  u2 )
Let u 2 = v 2 − proju1 v 2 = v 2 −
Soit u1 = (2, − 4, 5, 2)
(u1  u1 )
Let u 3 = v 3 − proju v 3 − proju v 3
Soit
1 2

( v 3  u1 ) (v3  u2 )
= v3 − u1 − u 2 = (4, 1, 0, − 2)
(u1  u1 ) (u 2  u 2 )
L’ensemble{(1, 2, 0, 3), (2, −4, 5, 2), (4, 1, 0, −2)} est une base
orthogonale pour V.
Normalisez-les pour obtenir une base orthonormée :
(1, 2, 0, 3) = 12 + 2 2 + 0 2 + 32 = 14
(2, − 4, 5, 2) = 2 2 + (−4) 2 + 52 + 2 2 = 7
(4, 1, 0, − 2) = 4 2 + 12 + 0 2 + (−2) 2 = 21
 Une base orthonormée pour V est donnée par
 1 2 3   2 4 5 2  4 1 2 
 , , 0, ,  , − , , ,  , , 0, − 
 14 14 14   7 7 7 7   21 21 21 