Mathématiques · Écoles d'ingénieurs — ENSA — cycle ingénieur

Algèbre linéaire avancée et calcul matriciel

Le cours expliqué simplement, les questions que tous les élèves se posent et des exercices type examen national. Programme marocain, gratuit.

📘 Fiche de cours

L'essentiel du cours

Une matrice $A \in \mathcal{M}_n(\mathbb{K})$ est diagonalisable s'il existe une matrice inversible $P$ et une matrice diagonale $D$ telles que $A = PDP^{-1}$ .
Le polynôme caractéristique est défini par $P_A(\lambda) = \det(A - \lambda I_n)$ .
Une matrice est diagonalisable si et seulement si la somme des dimensions des sous-espaces propres est égale à $n$ .
Le rang d'une matrice est invariant par les opérations élémentaires sur les lignes et les colonnes.

Méthodes à maîtriser

Calcul du polynôme caractéristique : Développer le déterminant $\det(A - \lambda I_n)$ .
Recherche des sous-espaces propres : Résoudre le système $(A - \lambda_i I_n)X = 0$ .
Diagonalisation : Construire $P$ avec les vecteurs propres en colonnes et $D$ avec les valeurs propres correspondantes.
Calcul de puissance : Utiliser $A^k = PD^kP^{-1}$ .

Exemples corrigés

Soit $A = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}$ .

$P_A(\lambda) = (1-\lambda)(2-\lambda) = 0 \implies \lambda_1=1, \lambda_2=2$ .
Pour $\lambda_1=1$ : $x+y=x \implies y=0$ . Vecteur propre $v_1 = (1, 0)^T$ .
Pour $\lambda_2=2$ : $x+y=2x \implies y=x$ . Vecteur propre $v_2 = (1, 1)^T$ .
$P = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}$ , $D = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}$ .

Erreurs fréquentes

Oublier que la matrice $P$ doit être inversible (colonnes linéairement indépendantes).
Confondre le polynôme caractéristique avec le polynôme minimal.
Se tromper dans le calcul du déterminant pour les matrices $3 \times 3$ (règle de Sarrus mal appliquée).

L'essentiel du cours

Une matrice $A \in \mathcal{M}_n(\mathbb{K})$ est diagonalisable s'il existe une matrice inversible $P$ et une matrice diagonale $D$ telles que $A = PDP^{-1}$.
Le polynôme caractéristique est défini par $P_A(\lambda) = \det(A - \lambda I_n)$.
Une matrice est diagonalisable si et seulement si la somme des dimensions des sous-espaces propres est égale à $n$.
Le rang d'une matrice est invariant par les opérations élémentaires sur les lignes et les colonnes.

Méthodes à maîtriser

Calcul du polynôme caractéristique : Développer le déterminant $\det(A - \lambda I_n)$.
Recherche des sous-espaces propres : Résoudre le système $(A - \lambda_i I_n)X = 0$.
Diagonalisation : Construire $P$ avec les vecteurs propres en colonnes et $D$ avec les valeurs propres correspondantes.
Calcul de puissance : Utiliser $A^k = PD^kP^{-1}$.

Exemples corrigés

Soit $A = \begin{pmatrix} 1 & 1 \ 0 & 2 \end{pmatrix}$.

$P_A(\lambda) = (1-\lambda)(2-\lambda) = 0 \implies \lambda_1=1, \lambda_2=2$.
Pour $\lambda_1=1$ : $x+y=x \implies y=0$. Vecteur propre $v_1 = (1, 0)^T$.
Pour $\lambda_2=2$ : $x+y=2x \implies y=x$. Vecteur propre $v_2 = (1, 1)^T$.
$P = \begin{pmatrix} 1 & 1 \ 0 & 1 \end{pmatrix}$, $D = \begin{pmatrix} 1 & 0 \ 0 & 2 \end{pmatrix}$.

Erreurs fréquentes

Oublier que la matrice $P$ doit être inversible (colonnes linéairement indépendantes).
Confondre le polynôme caractéristique avec le polynôme minimal.
Se tromper dans le calcul du déterminant pour les matrices $3 \times 3$ (règle de Sarrus mal appliquée).

🌉 Jisr : les mots du chapitre FR ⇄ AR

Tu as appris les sciences en arabe ? Touche un mot pour voir sa traduction et une explication en darija.

La question que tu n'oses pas poser en classe ? Pose-la à UstadZéro jugement, même en darija, même à minuit. Il t'explique pas à pas et corrige ta démarche. Gratuit.Commencer gratuitement

Défi flash : 4 questions

Sans compte

🎯 Algèbre linéaire avancée et calcul matriciel

1/4

Soit $A$ une matrice $2 \times 2$ telle que $\det(A)=6$ et $\text{Tr}(A)=5$ . Les valeurs propres sont :

Soit $A$ une matrice $2 \times 2$ telle que $\det(A)=6$ et $\text{Tr}(A)=5$. Les valeurs propres sont :

❓ Questions fréquentes

C'est quoi la différence entre une valeur propre et un vecteur propre ?

La valeur propre ( $\lambda$ ) est un scalaire qui mesure le facteur d'étirement de l'espace lors de l'application de la matrice.
Le vecteur propre ( $v$ ) est le vecteur non nul qui ne change pas de direction lors de la transformation $A \times v = \lambda \times v$ .

💡 À retenir : Le vecteur propre définit la direction, la valeur propre définit l'échelle.

La valeur propre ($\lambda$) est un scalaire qui mesure le facteur d'étirement de l'espace lors de l'application de la matrice.
Le vecteur propre ($v$) est le vecteur non nul qui ne change pas de direction lors de la transformation $A \times v = \lambda \times v$.

💡 À retenir : Le vecteur propre définit la direction, la valeur propre définit l'échelle.

Kifach n3ref wach wahed la matrice diagonalisable bla ma n7seb kolchi ?

Vérifie si elle admet $n$ valeurs propres distinctes (si oui, elle est diagonalisable).
Si les valeurs propres sont multiples, vérifie que la dimension de chaque sous-espace propre est égale à la multiplicité de la valeur propre.

💡 À retenir : Si la somme des dimensions des sous-espaces propres est strictement inférieure à $n$ , elle n'est pas diagonalisable.

Vérifie si elle admet $n$ valeurs propres distinctes (si oui, elle est diagonalisable).
Si les valeurs propres sont multiples, vérifie que la dimension de chaque sous-espace propre est égale à la multiplicité de la valeur propre.

💡 À retenir : Si la somme des dimensions des sous-espaces propres est strictement inférieure à $n$, elle n'est pas diagonalisable.

Est-ce que le rang d'une matrice change si on multiplie une ligne par un scalaire non nul ?

Non, le rang reste inchangé. Les opérations élémentaires sur les lignes (multiplication par un scalaire non nul, échange de lignes, ajout d'un multiple d'une ligne à une autre) conservent le rang.

💡 À retenir : Le rang est lié à l'indépendance linéaire des lignes/colonnes, qui est préservée par ces opérations.

Chno hiya la trace d'une matrice ?

La trace est la somme des éléments situés sur la diagonale principale de la matrice.

💡 À retenir : La trace est aussi égale à la somme des valeurs propres de la matrice.

Kifach n7seb A^n ila kant la matrice diagonalisable ?

Calcule $P$ et $D$ telles que $A = PDP^{-1}$ .
Utilise la propriété $A^n = PD^n P^{-1}$ .
Comme $D$ est diagonale, $D^n$ est simplement la matrice où chaque élément diagonal est élevé à la puissance $n$ .

💡 À retenir : La diagonalisation simplifie énormément le calcul des puissances élevées.

Calcule $P$ et $D$ telles que $A = PDP^{-1}$.
Utilise la propriété $A^n = PD^n P^{-1}$.
Comme $D$ est diagonale, $D^n$ est simplement la matrice où chaque élément diagonal est élevé à la puissance $n$.

💡 À retenir : La diagonalisation simplifie énormément le calcul des puissances élevées.

Est-ce qu'une matrice triangulaire est toujours diagonalisable ?

Pas forcément. Elle est diagonalisable si et seulement si les éléments de sa diagonale sont distincts ou si les sous-espaces propres associés aux valeurs propres multiples ont la dimension requise.

💡 À retenir : Une matrice triangulaire avec des valeurs propres répétées peut être non diagonalisable (ex: matrice de Jordan).

Wach momkin n9olo bli ay matrice inversible hiya diagonalisable ?

Non, ce n'est pas vrai. L'inversibilité (déterminant non nul) et la diagonalisabilité sont deux propriétés totalement indépendantes.

💡 À retenir : Une matrice peut être inversible sans être diagonalisable, et vice-versa.

Comment calculer le déterminant d'une matrice 3 times 3 rapidement ?

Utilise le développement suivant une ligne ou une colonne qui contient le plus de zéros.

💡 À retenir : Le développement par cofacteurs est souvent plus efficace que la règle de Sarrus pour les matrices avec des zéros.

Chno hiya la relation bin le déterminant et les valeurs propres ?

Le déterminant d'une matrice est égal au produit de toutes ses valeurs propres (comptées avec leur multiplicité).

💡 À retenir : $\det(A) = \prod_{i=1}^n \lambda_i$ .

Le déterminant d'une matrice est égal au produit de toutes ses valeurs propres (comptées avec leur multiplicité).

💡 À retenir : $\det(A) = \prod_{i=1}^n \lambda_i$.

Est-ce que le vecteur propre peut être le vecteur nul ?

Non, par définition, un vecteur propre doit être un vecteur non nul. Le vecteur nul est toujours solution de $(A - \lambda I)X = 0$ , mais il ne définit pas une direction propre.

💡 À retenir : Un vecteur propre est toujours non nul.

Non, par définition, un vecteur propre doit être un vecteur non nul. Le vecteur nul est toujours solution de $(A - \lambda I)X = 0$, mais il ne définit pas une direction propre.

💡 À retenir : Un vecteur propre est toujours non nul.

Kifach n3ref wach P inversible f l'exercice ?

Il suffit de vérifier que le déterminant de $P$ est non nul, ou plus simplement, que les vecteurs colonnes de $P$ sont linéairement indépendants.

💡 À retenir : Si les valeurs propres sont distinctes, les vecteurs propres associés sont toujours linéairement indépendants.

Il suffit de vérifier que le déterminant de $P$ est non nul, ou plus simplement, que les vecteurs colonnes de $P$ sont linéairement indépendants.

💡 À retenir : Si les valeurs propres sont distinctes, les vecteurs propres associés sont toujours linéairement indépendants.

Pourquoi on étudie les valeurs propres en ingénierie ?

Elles sont cruciales pour l'analyse de stabilité des systèmes, le traitement du signal, et la résolution d'équations différentielles couplées.

💡 À retenir : Les valeurs propres permettent de comprendre le comportement asymptotique des systèmes dynamiques.

✍️ Exercices type examen national

Exercice 1

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

Déterminer les valeurs propres de $A$ .
Déterminer les vecteurs propres associés.
La matrice $A$ est-elle diagonalisable ? Justifier.

Exercice 1

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

Déterminer les valeurs propres de $A$.
Déterminer les vecteurs propres associés.
La matrice $A$ est-elle diagonalisable ? Justifier.

Voir la correction détaillée : inscription gratuite

Exercice 2

Soit $M = \begin{pmatrix} 1 & 1 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 2 \end{pmatrix}$ .

Calculer le polynôme caractéristique.
Déterminer les sous-espaces propres.
La matrice est-elle diagonalisable ?

Exercice 2

Soit $M = \begin{pmatrix} 1 & 1 & 0 \ 0 & 1 & 0 \ 0 & 0 & 2 \end{pmatrix}$.

Calculer le polynôme caractéristique.
Déterminer les sous-espaces propres.
La matrice est-elle diagonalisable ?

Voir la correction détaillée : inscription gratuite

Exercice 3

Soit $A = \begin{pmatrix} 0 & 1 \\ -1 & 0 \end{pmatrix}$ . Étudier la diagonalisabilité de $A$ dans $\mathbb{R}$ puis dans $\mathbb{C}$ .

Exercice 3

Soit $A = \begin{pmatrix} 0 & 1 \ -1 & 0 \end{pmatrix}$. Étudier la diagonalisabilité de $A$ dans $\mathbb{R}$ puis dans $\mathbb{C}$.

Voir la correction détaillée : inscription gratuite

Un prof de Mathématiques pour aller plus loin

Les cours du soir avec des profs vérifiés arrivent : inscris-toi pour être prévenu(e) en premier.

Être prévenu(e) gratuitement

Autres chapitres de Mathématiques

Analyse numérique : Résolution d'équations non linéaires Analyse numérique : Interpolation et approximation polynomiale Analyse numérique : Intégration numérique Analyse numérique : Résolution des systèmes d'équations linéaires Calcul différentiel : Fonctions de plusieurs variables Calcul intégral : Intégrales multiples et curvilignes Équations différentielles ordinaires Transformées de Fourier et de Laplace Probabilités et statistiques appliquées à l'ingénierie Recherche opérationnelle : Programmation linéaire Analyse complexe