DIAGONALISATION 1 VALEURS PROPRES, VECTEURS PROPRES 2 1 2 Exemples La principale source d'exemples provient des matrices et nous
| Previous PDF | Next PDF |
[PDF] Sujet de lannée 2006-2007 - Exo7 - Exercices de mathématiques
Démontrer que A est diagonalisable et déterminer une matrice D diagonale et une matrice P inversible telles A = PDP−1 3 Donner en le justifiant, mais sans
[PDF] Décomposition de Dunford et réduction de Jordan - Exo7 - Cours de
La trigonalisation : transformer une matrice en une matrice triangulaire alors elle est trigonalisable (et ici même diagonalisable) sur : il existe P ∈ M2()
[PDF] Diagonalisation - Exo7 - Cours de mathématiques
DIAGONALISATION 1 VALEURS PROPRES, VECTEURS PROPRES 2 1 2 Exemples La principale source d'exemples provient des matrices et nous
[PDF] Polynômes dendomorphismes - Exo7 - Cours de mathématiques
Une matrice A ∈ Mn() (resp un endomorphisme f ∈ (E)) est diagonalisable sur si et seulement si son polynôme minimal est scindé à racines simples dans
[PDF] CORRECTION DU TD 3 Exercice 1
1) Pour savoir si cette matrice est diagonalisable dans , on détermine son pas diagonalisable dans 2) Une matrice est Trigonalisation Pour trouver une
[PDF] TD n 4 : Diagonalisation et trigonalisation
4 : Diagonalisation et trigonalisation Exercice 1 Soit E un R-ev de dimension 2, B = (e1,e2) une base de E Pour chacun des endomorphismes suivants: écrire
[PDF] Réduction des endomorphismes
16 mai 2014 · 7 ⊠ Si une matrice 2×2 n'est pas diagonalisable dans C, alors elle admet une seule valeur propre 8 ⊠
[PDF] Trigonalisation des matrices carrées - livres-mathematiquesfr
La matrice n'est donc pas diagonalisable Pour trigonaliser la matrice, il suffit de compléter la famille libre {v1,v2} en une base de C3 Soit v3 = (1,0,0) (ce
[PDF] TRIGONALISATION DES ENDOMORPHISMES - Epsilon 2000
Trigonalisation des endomorphismes, sous espaces caractéristiques - donc A n'est pas diagonalisable (voir chapitre "endomorphismes diagonalisables") A
[PDF] decomposition en element simple dans r
[PDF] decomposition en element simple logiciel
[PDF] analyse des écarts définition
[PDF] écart budgétaire définition
[PDF] décomposer un nombre cm1 exercice
[PDF] décomposer un nombre décimal cm1
[PDF] décomposition additive cm1
[PDF] décomposition des nombres cm2
[PDF] séance décomposition des nombres cm1
[PDF] exercice décomposer un nombre ce2
[PDF] décomposer les grands nombres exercices cm1
[PDF] décomposer un nombre cm1 leçon
[PDF] décomposer un nombre décimal 6ème
[PDF] comment decomposer un nombre
DiagonalisationLa diagonalisation estune opération fondamentale des matrices. Nous allons énoncerdes conditions
qui déterminent exactement quand une matrice est diagonalisable. Nous reprenons pas à pas lesnotions du chapitre " Valeurs propres, vecteurs propres », mais du point de vue plus théorique des
applications linéaires.Notations.
Dans ce chapitre,Eest unK-espace vectoriel.Kest un corps. Dans les exemples de ce chapitre,K seraRouC. Sauf mention contraire,Esera de dimension finie.1. Valeurs propres, vecteurs propres
Commençons par définir les valeurs et les vecteurs propres d"une application linéaire. Il est
important d"avoir d"abord compris le chapitre " Valeurs propres, vecteurs propres » des matrices.1.1. Définitions
Rappel.f
:E!Eest appelé unendomorphismesifest une application linéaire deEdans lui-même. Autrement dit, pour toutv2E,f(v)2Eet, en plus, pour tousu,v2Eet tout2K: f(u+v) =f(u)+f(v)etf(v) =f(v)Définition 1.Soitf:E!Eun endomorphisme.
2K est ditevaleur proprede l"endomorphismefs"il existe un vecteur non nulv2Etel quef(v) =v.• Le vecteurvest alors appelévecteur propredef, associé à la valeur propre. Lespectredefest l"ensemble des valeurs propres def. Notation :sp(f)(ouspK(f)si onveut préciser le corps de base).Sivest un vecteur propre alors, pour tout2K,vest aussi un vecteur propre.
Ces définitions sont bien sûr compatibles avec celles pour les matrices. SoitA2Mn(K). Soit f:Kn!Knl"application linéaire définie parf(v) =Av(oùvest considéré comme un vecteur colonne). Alors les valeurs propres (et les vecteurs propres) defsont celles deA. DIAGONALISATION1. VALEURS PROPRES,VECTEURS PROPRES21.2. ExemplesLa principale source d"exemples provient des matrices et nous renvoyons encore une fois au
chapitre " Valeurs propres, vecteurs propres ».Exemple 1.
Soitf:R3!R3définie par
f(x,y,z) =2x2y+2z,3xy+3z,x+y+z. 1. Écriture en terme de matrice. L "applicationfs"écrit aussif(X) =AXavec : X=0 @x y z1 A etA=0 @22 2 31 31 1 11
A 2.Le vecteur v1= (1,1,0)est vecteur propre.
En effet,f(1,1,0) = (4,4,0), autrement ditf(v1) =4v1. Ainsiv1est un vecteur propre associé à la valeur propre1=4.Si on préfère faire les calculs avec les matrices, on considèrev1comme un vecteur colonne et
on calculeAv1=4v1.3.2=2 est valeur propre.
Pour le prouver, il s"agit de trouver un vecteur non nul dansKer(f2idR3)pour2=2. Pour cela, on calculeA2I3:A2I3=0
@42 2 33 31 111 A On trouve quev2= (0,1,1)est dans le noyau deA2I3, c"est-à-dire(A2I3)v2est le vecteur nul. En d"autres termes,v22Ker(f2idR3), c"est-à-diref(v2)2v2=0, doncf(v2) =2v2. Bilan :v2est un vecteur propre associé à la valeur propre2=2.
4.3=0 est valeur propre.
On peut faire juste comme au-dessus et trouver quev3= (1,0,1)vérifief(v3) = (0,0,0). Ainsi f(v3) =0v3. Bilan :v3est vecteur propre associé à la valeur propre3=0. 5. On a trouvé3valeurs propres, et il ne peut y en avoir plus car la matriceAest de taille33.Conclusion : sp(f) =f4,2,0g.
Exemple 2.
Soitf:Rn!Rnl"application linéaire définie par(x1,...,xn1,xn)7!(x1,...,xn1,0). Géométri- quement,fest une projection surRn1f0g Rn. Notonse1= (1,0,0,...),e2= (0,1,0,...),..., e n= (0,...,0,1)lesnvecteurs de la base canonique deRn. Alors f(e1) =e1f(e2) =e2...f(en1) =en1etf(en) =0.Ainsie1,...,en1sont des vecteurs propres associés à la valeur propre1. Etenest un vecteur propre
associé à la valeur propre 0. Conclusion : sp(f) =f0,1g.Voici d"autres exemples plus théoriques.
Exemple 3.
DIAGONALISATION1. VALEURS PROPRES,VECTEURS PROPRES31.SoitE=Rn[X]l"espace des polynômesde degré6n. Soitd:E!E,P(X)7!P0(X)l"application
de dérivation. Pour des raisons de degré, P0=P=)=0 etPconstant
De plus, tout polynôme constant non nul est un vecteur propre ded, de valeur propre associée0; donc sp(d) =f0g.
2. (Cet exemple est en dimension infinie.) SoitE=C1(R)l"espace des fonctions infiniment dérivables deRdansR. Soitd:E!E,7!0l"application de dérivation.Pour tout2R, définissons la fonction
e :R!R,x7!exp(x).On ae0
=e, donc chaque fonctioneest un vecteur propre dedde valeur propre associée . Ici, sp(d) =R.1.3. Sous-espaces propres
Cherchons une autre écriture de la relation de colinéarité définissant les vecteurs propres :
f(v) =v()f(v)v=0 ()(fidE)(v) =0 ()v2Ker(fidE)D"où la définition :Définition 2.
Soitfun endomorphisme deE. Soit2K. Lesous-espace propreassocié àest le sous-espace vectorielEdéfini par :E =Ker(fidE)On notera aussi ce sous-espaceE(f)si on souhaite signaler sa dépendance vis-à-vis de l"endomor-
phismef.Autrement dit :E
=v2Ejf(v) =vC"est le sous-espace vectoriel deEconstitué des vecteurs propres defassociés à la valeur propre
, auquel on ajoute le vecteur nul. Être valeur propre, c"est donc exactement avoir un sous-espace propre non trivial : valeur propre()E6=f0gRemarque.
Plaçons-nous dans le cas oùEest de dimension finie. Siest une valeur propre def, alors le sous-espace propre associéEest de dimension>1. Le sous-espace propreEest stable parf, c"est-à-diref(E)E. En effet : v2Ker(fidE) =)f(f(v)) =f(v) =f(v) =)f(v)2Ker(fidE)Théorème 1. Soitfun endomorphisme deE. Soient1,...,rdes valeurs propresdistinctesdef. Alors les sous-espaces propres associés E1,...,Ersont en somme directe. DIAGONALISATION1. VALEURS PROPRES,VECTEURS PROPRES4On retrouve un résultat déjà prouvé dans le cas des matrices :Corollaire 1.Soient1,...,rdes valeurs propres distinctes defet, pour16i6r, soitviun vecteur propre
associé ài. Alors les visont linéairement indépendants.Cela implique que le nombre de valeurs propres est6dimE.
Avant de lire les exemples et la preuve de ce théorème, lire si besoin la section suivante sur les
sommes directes.Exemple 4.
Reprenons l"exemple
1 avec f:R3!R3définie par f(x,y,z) =2x2y+2z,3xy+3z,x+y+z. Nous avions trouvé les valeurs propres et les vecteurs propres associés suivants :1=4v1= (1,1,0)2=2v2= (0,1,1)3=0v3= (1,0,1)
Par le corollaire
1 ,(v1,v2,v3)forme une famille libre deR3(ce que l"on vérifie par un calcul direct). Mais trois vecteurs indépendants deR3forment automatiquement une base. Conclusion : (v1,v2,v3)est une base de vecteurs propres deR3.Ce que l"on peut aussi écrire :
R3=Rv1Rv2Rv3
ou encore R3=E4E2E0.
Exemple 5.
Reprenons l"exemple
2 , avecf:Rn!Rndéfinie par(x1,...,xn1,xn)7!(x1,...,xn1,0). Nous avions trouvé deux valeurs propres 0 et 1. Pour la valeur propre0, nous avions un seul vecteur propreen= (0,...,0,1), ainsiE0=Ren. Pour la valeur propre1, nous avions trouvén1vecteurs propres linéairement indépendants e1= (1,0,0,...),e2= (0,1,0,...),...,en1= (0,...,0,1,0). Plus précisément, E1=Ker(fidRn) =Vect(e1,...,en1) =(x1,x2,...,xn1,0)2Rnjx1,...,xn12R=Rn1f0g.
Nous avons bien
R n=E0E1=RenRn1f0g.Preuve du théorème
1 Pour chaque16i6r, soitvi2Ei. On supposev1++vr=0, et nous allons montrer par récurrence qu"alorsv1=0,v2=0,...,vr=0. Sir=1, c"est vérifié. Fixonsr>2et supposons notre assertion vraie pour les familles der1 vecteurs. Soit une famille qui vérifie v1+v2++vr1+vr=0. (1)
Par composition par l"application linéairef,
f(v1)+f(v2)++f(vr1)+f(vr) =0.Mais commevi2Eialorsf(vi) =iviet donc :
1v1+2v2++r1vr1+rvr=0. (2)
À partir des équations (
1 ) et ( 2 ), on calcule l"expression(2)r(1): (1r)v1+(2r)v2++(r1r)vr1=0DIAGONALISATION1. VALEURS PROPRES,VECTEURS PROPRES5(le vecteurvrn"apparaît plus dans cette expression). On applique l"hypothèse de récurrence à la
famille den1vecteurs(1r)v1, ...,(r1r)vr1, ce qui implique que tous ces vecteurs sont nuls : (1r)v1=0 ...(r1r)vr1=0 Comme les valeurs propres sont distinctes, alorsir6=0 (pouri=1,...,r1). Ainsi v1=0 ...vr1=0.
L"équation (
1 ) implique en plus v r=0. Cela termine la récurrence.1.4. Rappels sur les sommes directesIl faut bien comprendre le vocabulaire suivant. On commence par le cas de deux sous-espaces.Définition 3.
SoientE1,E2deux sous-espaces vectoriels d"un espace vectorielE.