Valeurs propres, vecteurs propres, diagonalisation 1 Valeurs propres, vecteurs propres, sous-espaces propres

Soenit E un espace vectoriel et un endomorphisme de E (cest ` a dire une application lin eaire de E dans lui m eme. D enition 1.1. Si il existe un scalaire R (resp. C )et un vecteur non nul v E tels que (v ) = v , on dit que est une valeur propre de u. Si est une valeur propre et un vecteur propre de , associ e est un vecteur v tel que (v ) = v . Proposition 1.2. Soit une valeur propre de , le sous ensemble des vecteurs propres de associ e` a est un sous-espace vectoriel appel e sous-espace propre de associ e` a et not e E . Lensemble des valeurs propres dun endomorphisme est appel e le spectre de et est not e Spec(). Une homot ethie de rapport a pour seule valeur propre, le sous-espace propre associ e est tout lespace, un projecteur p (di erent de lidentit e et de lapplication nulle) a pour valeurs propres 0 et 1, les sous-espaces propres associ es sont le noyau et limage, en eet si 2 2 p(v ) = v alors comme p = p on a v = v , soit 2 = comme v = 0, une rotation dangle dif erent de 0 et du plan euclidien R2 na pas de valeurs propres, un endomorphisme dun espace vectoriel sur C f tel que f n = Id a pour valeurs propres des racines n-i` emes de 1, en etet si f (v ) = v on a f n (v ) = n v , soit n n v = v et si v = 0 = 1, lendomorphisme de lespace des fonctions d erivables dans lui m eme qui ` a une fonction associe sa d eriv ee admet tous les r eels pour valeur propre, la fonction x eax est vecteur propre associ e` a la valeur propre a.

D etermination des valeurs propres, polyn ome carat eristique

Soient E un espace vectoriel et un endomorphisme de E et R (resp. C) Th eor` eme 2.1. Le scalaire est valeur propre de si et seulement si lendomorphisme Id nest pas inversible. Autrement dit si et seulement si det( Id) = 0. On sait que pour calculer ce d eterminant on peut choisir une base quelconque de E , dans laquelle a pour matrice A, alors la matrice de Id est A In . Le d eterminant cherch e est celui de cette matrice. R ep` etons que le d eterminant obtenu sera le m eme quelle que soit la base choisie. ag.pdf Par exemple : 1

 A=

cos() sin() cos() sin()

cA (X ) = X 2 2 cos()X + 1 0 0 0 0 1 0 cT (X ) = (1 X )(2 X ) . . . (n X )

0 1 0 0 0 1 0 0 N = 0 0 1 0 2 ag.pdf T = 0 0 n 1 0 0 n

cN (X ) = (1)n X n

En calculant det(A XIn ) on obtient un polyn ome en X degr e n de coecient domin nant (1) . Ce polyn ome est appel e le polyn ome caract eristique de ou le polyn ome caract eristique de la matrice A. On le notera c (X ) ou cA (X ). La notation (X ) (resp. A (X )) est aussi utilis ee. Sa valeur pour X = 0 est det(A). Il s ecrit donc : cA (X ) = (1)n X n + . . . + det(A) On v erie par r ecurrence que : Proposition 2.2. Le coecient du terme de degr e n 1 est (1)n1 Tr(A). Donc cA (X ) = (1)n X n + (1)n1 Tr(A)X n1 + . . . + det(A) Le th eor` eme fondamental est le suivant : Th eor` eme 2.3. Le scalaire est valeur propre de lendomorphisme si et seulement si il est racine du polyn ome caract eristique. On appellera valeur propre dune matrice A, (n, n), les racines du polyn ome caract eristique cA (X ). Ce sont les valeurs propres de lendomorphisme dont la matrice est A dans la base standard de Rn (resp. Cn ). Dans la suite on parlera donc indi eremment des valeurs propres dun endomorphisme ou de sa matrice dans une base. Corollaire 2.4. Un endomorphisme dun espace vectoriel de dimension n ou une matrice A (n, n) a au plus n valeurs propres. Soient 1 , . . . , t les racines du polyn ome caract eristique. Il s ecrit c (X ) = (1)n (X 1 )m1 . . . (X t )mt P o` u P est un polyn ome qui na pas de racines; mi est la multiplicit e de i . Dans le premier exemple donn e plus haut (celui dune matrice de rotation) cA na pas de racines (sur R)? Si on se place sur les complexes tout polyn ome de dgr e n a n racines avec les multiplicit es. 2

Proposition 2.5. Soit une valeur propre, et m lordre de multiplicit e de en tant que racine de c (X ). On a alors : 1 dim(E ) m La preuve de ln egalit e de droite repose sur le r esultat suivant : Lemme 2.6. Soit F E un sous-espace stable sous (voir d enition ci dessous), et notons lendomorphisme de F induit par . Alors c divise c . Par d enition on dit quun sous-espace F de E est stable par si (F ) F . Soit (v1 , . . . , vk ) une base de F , dapr` es le th eor` eme de la base incompl` ete on peut trouver des vecteurs vk+1 , . . . , vn de E tels que (v1 , . . . , vn soit une base B de E . Soit A la matrice de dans B et B la matrice de la restriction de a F dans la base (v1 , . . . , vk ). On a B C A= 0 D c (X ) = det( B XIk C ) = c (X ) det(B XInk ) 0 D XInk

On en d eduit le r esultat comme suit. On compl` ete une base du sosu-espace propre E (qui correspond ` a F ) en une base de E . On observe quun sous-espace propre de est stable par . Le lemme ci-dessus se traduit dans ce cas en ( X )dimE divise c (X ). Car la matrice B est la matrice diagonale d, d) avec d = dimE avec sur la diagonale. Ce qui donne le r esultat.

Diagonalisation

Soit E un espace vectoriel et un endomorphisme. D enition 3.1. On dit que est diagonalisable si il existe une base de E dans laquelle la matrice de est diagonale. Autrement dit est diagonalisable si et seulement si on peut trouver une base de E dans laquelle la matrice de est de la forme : 1 0 . . . 0 1 0 . . . . . . . . . . . . 0 1 0 0 0 . . . 2 . . . ... 0 r o` u 1 , . . . , r d esignent les valeurs propres de , ici consid er ees comme 2 ` a 2 distinctes, chacune apparait autant de fois que sa multiplicit e. Enn

Proposition 3.2. Soit E un espace vectoriel de dimension n et soit un endomorphisme. La dimension du sous-espace propre associ e` a k de lendomorphisme de E est egale ` a n rang( k Id) = n rang(A k In ) o` u A est la matrice de dans une base quelconque. Cest une application directe de la d enition. Voici un exemple. On consid` ere la matrice 1 0 1 1 2 1 0 0 2

le polyn ome caracat eristique est (1 X )(2 X )2 dont les racines sont 2 (double) et 1 (simple). On obtient les vecteurs propres en r esolvant les syt` emes : 1 0 1 x 0 1 0 1 y = 0 0 0 0 z 0 et 0 0 1 x 0 1 1 1 y 0 0 0 1 z 0 le premier est de rang 1 une base de lespace des solutions (espace propre E2 ) est donn ee par 1 0 0 1 1 0 le second est de rang 2 une base de lespace des solutions (espace propre E1 ) est donn ee par 1 1 0

qui fournissent donc une base de diagonalisation.

Proposition 3.3. Les sous-espaces propres dun endomorphisme sont en somme directe. Proposition 3.4. Un endomorphisme est diagonalisable si et seulement si E est somme directe des sous-espaces propres de . Soit si dimE = dimE1 + dimE2 + . . . + dimEt En eet si Ei d esigne le sous-espace propre associ e` a i , si E est somme directe des Ei choisissant pour chaque Ei une base Bi la r eunion des Bi est une base de E dans laquelle la matrice de est comme indiqu ee plus haut. On en d eduit Th eor` eme 3.5. Un endomorphisme est diagonalisable si et seulement si 4

 le polyn ome caract eristique est scind e (il a n racines tenant compte des multiplicit es, avec n = dim(E )) et si pour tout i dim(Ei ) = mi En particulier Th eor` eme 3.6. Un endomorphisme est diagonalisable d` es que son polyn ome caract eristique est scind e et que toutes les racines sont sumples. Cest une condition susante, pas n ecessaire. On retiendra aussi Proposition 3.7. Soit un endomorphisme diagonalisable dun espace vectoriel de matrice A dans une base donn ee. Le produit des valeurs propres de est egal ` a det(A), la somme ` a Tr(A). Finissons par un r esultat utile sur les sous-espaces propres. Th eor` eme 3.8. Soient E un espace vectoriel et f et g deux endomorphismes de E tels que f circg = g f . Soit E un sous-espace propre de f et v E , alors g (v ) E .

Polyn omes dendomorphisme, th eor` eme de Cayley Hamilton

Soit P = a0 + . . . + an X n R[X ] (resp. C[X ]), et soient un endomorphisme dun espace vectoriel E et A une matrice (n, n). On d enit alors P () = a0 Id + a1 + . . . + ak k L(E ) P (A) = a0 In + a1 A + . . . + ak Ak Mn (A) Proposition 4.1. Pour tous polyn omes p et Q on a : P ()Q() = Q()P () P (A)Q(A) = Q(A)P (A) On va consid erer dans la suite des polyn omes P tels que P () = 0. Il en existe car. Th eor` eme 4.2. (Cayley-Hamilton) Soient un endomorphisme dun espace vectoriel E ou A une matrice (n, n), on a c ( ) = 0 cA (A) = 0 On ne le d emontrera pas ce th eor` eme, ` a ce niveau il est susant de connaitre l enonc e et des cas particuliers de la d emonstration : d emontrer le th eor` eme pour une matrice (2, 2), d emontrer le th eor` eme pour une matrice diagonale, 5

 d emontrer le th eor` eme pour la matrice 0 1 0 0 0 0 1 0 0 . . . . . . Nk = . . . . . . 0 0 1 0 0 Le th eor` eme suivant donne une condition n ecessaire et susante pour quun endomorphisme ou une matrice soit diagonalisable : Th eor` eme 4.3. Soit un endomorphisme dun espace E ou une matrice A de valeurs propres (2 ` a 2 distinctes) 1 , . . . , t . Pour que ou A soient diagonalisables il faut et il sut quils soient annul es par le polyn ome P (X ) = (X 1 ) . . . (X t ). En voici une variante Proposition 4.4. Pour quun endomorphisme dun espace E ou une matrice soit diagonalisable il faut et il sut quil soit annul e par un polyn ome P non nul scind e dont toutes les racines sont simples. Dans ce dernier cas les valeurs propres de ou A sont des racines de P , mais une racine de P nest pas forc ement une valeur propre. On ne d emontrera pas ce th eor` eme ici, sauf dans des cas particuliers comme exercice. Montrer que ce th eor` eme sapplique au cas des projecteurs. D emontrer le th eor` eme si P = (X )(X ) ( = ). On ecrira que ( )Id = ( Id) ( Id. On d emontrera que E = ker( Id) ker( Id), conclure. D emontrer le th eor` eme si P = (X 1 )(X 2 )(X 3 ).

Matrices r eelles

Si on travaille sur des espaces vectoriels complexes le polyn ome caract eristique ` a coefcinets dans C est toujours scind e donc les th eor` emes pr ec edents sappliquent (en particulier si toutes les racines sont 2 ` a 2 distinctes il y a diagonalisation. Si on travaille sur un espace vectoriel r eel et si le polyn ome est scind e la th eorie pr ec edente sapplique aussi. Cependant il se peut quil ny ait pas de racines r eelles mais seulement des racines complexes conjugu ees (cest le cas dans lexemple donn e plus haut). Dans ce cas on peut cependant trouver une base privil egi ee dans certains cas. On ne va traiter que le cas des matrices (2, 2). Th eor` eme 5.1. Soit A = a b une matrice r eelle dont les valeurs propres sont comc d plexes conjugu ees distinctes , soit ei et ei . Alors il existe une matrice (2, 2) inversible P telle que : cos() sin() P 1 AP = sin() cos() 6

pour trouver le changement de base on raisonne comme si la matrice etait une matrice complexe auquel cas elle est diagonalisable. On peut donc trouver un vecteur colonne tel que AX = ei X Ecrivons X = X + iX , X et X etant r eels (cest ` a dire que les composantes des vecteurs sont r eelles). On a AX + iAX = ( cos()X sin()X ) + i( sin()X + cos()X ) soit identiant partie r eelle et partie imaginaire AX = cos()X sin()X et AX = sin()X + cos()X Ce qui donne la base cherch ee (X et X ).

Application

Une application classique est le calcul des puissances dune matrice A. Supposons que A soit diagonalisable. Cest-` a-dire quil existe P et D avec 1 0 . . . 0 0 2 0 . . . 0 D= ... ... 0 ... n et D = P 1AP . On a: D k = P 1 Ak P Soit Ak = P D k P 1

Ceci permet de calculer les suites lin eaires r ecurrentes Uk = AUk1 avec

k 1 0 . . . 0 0 k 0 ... 0 2 P 1 Ak = P ... ... k 0 ... n Uk = Ak U0

Donc

u1,k u2,k Uk = ... un,k u1,k u2,k ... = P un,k k u1,0 1 0 . . . 0 0 k 0 ... 0 2 P 1 u2,0 ... ... ... k un,0 0 ... n 7