Diagonalisation (encyclopédie mathématiques)

En mathématiques, la diagonalisation est un procédé d'algèbre linéaire qui permet de simplifier la description de certains endomorphismes d'un espace vectoriel, éventuellement définis par des matrices. Elle consiste à rechercher et expliciter une base de l'espace vectoriel constituée de vecteurs propres, lorsqu'il en existe une. En dimension finie, la diagonalisation revient en effet à décrire cet endomorphisme à l'aide d'une matrice diagonale.

Ce procédé se ramène donc à une réduction maximale de l'endomorphisme, c'est-à-dire à une décomposition de l'espace vectoriel en une somme directe de droites vectorielles stables par l'endomorphisme. Sur chacune de ces droites, l'endomorphisme se réduit à une homothétie.

La diagonalisation d'une matrice permet un calcul plus simple de ses puissances et de son exponentielle, ce qui permet d'exprimer numériquement certains systèmes dynamiques linéaires, obtenus par itération ou par des équations différentielles.

Sommaire

[modifier] Méthode

Dans la plupart des cas, il est nécessaire de calculer le polynôme caractéristique de la matrice, afin de déterminer ses valeurs propres et les sous-espaces propres associés :
Pour $\scriptstyle M\in\mathcal M_n(K)$ le polynôme caractéristique est $χ M (x) = det(x I n - M)$ où $x$ est l'indéterminée et $I n$ est la matrice unité de $\scriptstyle\mathcal M_n(K)$ .
Les valeurs propres $λ i$ sont les racines de $χ M$ , il y a donc au plus $n$ valeurs propres de multiplicité $m i$ .
On détermine ensuite, pour chaque valeur propre, le sous-espace propre qui lui est associé : $E_{\lambda _i}={\rm Ker}(M-\lambda _i I_n).$ La matrice ne sera diagonalisable que si la dimension de chaque sous-espace propre $\scriptstyle E_{\lambda _i}$ est égale à la multiplicité $m i$ de la valeur propre $λ i$ , ce qui signifie que pour chaque $λ i$ on a une base de $m i$ vecteurs propres que l'on note $X i, j$ , $\scriptstyle1\le j\le m_i$ .
Alors il existera une matrice inversible $U$ telle que $U - 1 M U$ soit égale à une matrice diagonale $D$ dont les coefficients diagonaux sont les $λ i$ répétés $m i$ fois et $U$ sera la matrice dont les colonnes sont les vecteurs $X i, j$ (l'ordre n'a pas d'importance, mais si on a le vecteur $X i, j$ sur la k-ième colonne de $U$ , alors on a la valeur propre $λ i$ sur la k-ième colonne de $D$ ).
Il est aussi possible de déterminer directement les valeurs propres, et des bases des sous-espaces propres associés. La matrice $M$ est diagonalisable si et seulement si la somme des dimensions des différents sous-espaces propres est égale à $n$ . Si la matrice est diagonalisable, alors il existe une matrice inversible $P$ obtenue en plaçant les unes à côté des autres, les colonnes propres formant une base de chacun des sous-espaces, et la matrice $D = P - 1 M P$ est alors diagonale. La dimension du sous-espace propre associé à une valeur propre, correspond au nombre de fois que celle-ci est répétée sur la diagonale de la matrice diagonale $D$ semblable à la matrice $M$ .

[modifier] Exemples

[modifier] Premier exemple

Considérons la matrice :

$A=\begin{pmatrix} 1 & 2 & 0 \\ 0 & 3 & 0 \\ 2 & -4 & 2 \end{pmatrix}.$

Cette matrice admet comme valeurs propres :

$\lambda_1 = 3, \quad \lambda_2 = 2, \quad \lambda_3= 1.$

Ainsi $A$ qui est de taille 3, a 3 valeurs propres distinctes, donc est diagonalisable.

Si nous voulons diagonaliser $A$ , nous avons besoin de déterminer les vecteurs propres correspondants. Il y a par exemple :

$v_1 = \begin{pmatrix} 1 \\ 1 \\ -2 \end{pmatrix}, \quad v_2 = \begin{pmatrix} 0 \\ 0 \\ 1 \end{pmatrix}, \quad v_3 = \begin{pmatrix} 1 \\ 0 \\ -2 \end{pmatrix}.$

On vérifie facilement que $A v k = λ k v k$ .

Maintenant soit $P$ la matrice ayant ces vecteurs propres comme colonnes :

$P=\begin{pmatrix} 1 & 0 & 1 \\ 1 & 0 & 0 \\ -2 & 1 & -2 \end{pmatrix}.$

Alors « $P$ diagonalise $A$ », comme le montre un simple calcul :

$P^{-1}AP =\begin{pmatrix} 0 & 1 & 0 \\ 2 & 0 & 1 \\ 1 & -1 & 0 \end{pmatrix} \begin{pmatrix} 1 & 2 & 0 \\ 0 & 3 & 0 \\ 2 & -4 & 2 \end{pmatrix} \begin{pmatrix} 1 & 0 & 1 \\ 1 & 0 & 0 \\ -2 & 1 & -2 \end{pmatrix} =\begin{pmatrix} 3 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 1\end{pmatrix}.$

Remarquons que les valeurs propres $λ k$ apparaissent sur la diagonale de la matrice dans le même ordre que nous avons placé les colonnes propres pour former $P$ .

[modifier] Deuxième exemple

Soit $A= \begin{pmatrix} 0 & 3 & -1 \\ 2 & -1 & 1 \\ 0 & 0 & 2 \end{pmatrix} \in \mathcal{M}_3(\mathbb{R})$
$\chi_A(T)=\operatorname{det}(TI_3-A)= \begin{vmatrix} T & -3 & 1 \\ -2 & T+1 & -1 \\ 0 & 0 & T-2 \end{vmatrix}= (T-2)^2 (T+3)$ (voir le calcul d'un déterminant)
Donc les valeurs propres sont :

2 de multiplicité 2,
-3 de multiplicité 1.

Calcul des sous-espaces propres :

Calcul de $E 2$ : On cherche les $X = \begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix}$ tels que :

$(A-2I_3)X=0 \,$

$\Leftrightarrow {\begin{pmatrix} -2 & 3 & -1 \\ 2 & -3 & 1 \\ 0 & 0 & 0 \end{pmatrix}} {\begin{pmatrix} x_1 \\ x_2 \\ x_3 \end{pmatrix}} = 0 \Leftrightarrow -2x_1+3x_2-x_3=0$

Donc $E_2=\operatorname{Vect} \left\{ {\begin{pmatrix} 0 \\ 1 \\ 3 \end{pmatrix}},\begin{pmatrix} 1 \\ 0 \\ -2 \end{pmatrix} \right\}$

On procède de même pour $E - 3$ et on obtient :

$E_{-3}=\operatorname{Vect} \left\{\begin{pmatrix} 1 \\ -1 \\ 0 \end{pmatrix} \right\}$
On a bien : $\operatorname{dim}( E_2 )=2 \,$ et $\operatorname{dim}( E_{-3} )=1 \,$ , donc cette matrice est diagonalisable.

Une diagonalisation possible est : $B=U^{-1}AU={\begin{pmatrix} 2 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & {-3}\end{pmatrix}}$ , avec $U = {\begin{pmatrix} 0 & 1 & 1 \\ 1 & 0 & -1 \\ 3 & -2 & 0\end{pmatrix}}.$

[modifier] Bibliographie

(en) Richard S. Varga, Matrix Iterative Analysis, Springer, 2010 (ISBN 978-3-64205154-8)

[modifier] Articles connexes

Matrice nilpotente (pour des exemples de matrices non diagonalisables)
Analyse en composantes principales

v · d · m Algèbre linéaire générale
Vecteur • Scalaire • Combinaison linéaire • Espace vectoriel • Matrice
Famille de vecteurs	Famille génératrice • Famille libre (indépendance linéaire) • Base • Théorème de la base incomplète • Rang • Colinéarité
Sous-espace	Sous-espace vectoriel • Somme de Minkowski • Somme directe • Sous-espace supplémentaire • Dimension • Codimension • Droite • Plan • Hyperplan
Morphisme et notions relatives	Application linéaire • Noyau • Conoyau • Lemme des noyaux • Pseudo-inverse • Théorème de factorisation • Théorème du rang • Équation linéaire • Système d'équations linéaires • Élimination de Gauss-Jordan • Forme linéaire • Espace dual • Orthogonalité • Base duale • Endomorphisme linéaire • Valeur propre, vecteur propre et espace propre • Spectre • Projecteur • Symétrie • Matrice diagonalisable • Diagonalisation • Endomorphisme nilpotent
En dimension finie	Espace vectoriel de dimension finie • Trace • Déterminant • Polynôme caractéristique • Polynôme d'endomorphisme • Théorème de Cayley-Hamilton • Polynôme minimal d'un endomorphisme • Invariants de similitude • Réduction d'endomorphisme • Réduction de Jordan • Décomposition de Dunford • Décomposition de Frobenius
Enrichissements de structure	Norme • Produit scalaire • Forme quadratique • Espace vectoriel topologique • Orientation • Algèbre sur un corps • Algèbre de Lie • Complexe différentiel
Développements	Théorie des matrices • Représentation de groupe • Analyse fonctionnelle • Algèbre multilinéaire • Module sur un anneau

Diagonalisation

Sommaire

[modifier] Méthode

[modifier] Exemples

[modifier] Premier exemple

[modifier] Deuxième exemple

[modifier] Bibliographie

[modifier] Articles connexes

Rechercher

Menu

Espace membre

Changer d'île