Mathématiques · Écoles d'ingénieurs — INSEA

Réduction des endomorphismes

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

Soit $E$ un espace vectoriel de dimension finie $n$ sur $\mathbb{R}$ .

Valeurs propres : $\lambda \in \mathbb{R}$ est valeur propre de $f$ s'il existe $v \neq 0$ tel que $f(v) = \lambda v$ .
Polynôme caractéristique : $P_f(X) = \det(A - XI_n)$ où $A$ est la matrice de $f$ .
Diagonalisation : $f$ est diagonalisable si et seulement si la somme des dimensions des sous-espaces propres est égale à $n$ .

Méthodes à maîtriser

Calculer le polynôme caractéristique $P_f(X)$ .
Trouver les racines de $P_f(X)$ pour obtenir les valeurs propres.
Résoudre le système $(A - \lambda I_n)X = 0$ pour trouver les vecteurs propres.
Vérifier si la somme des multiplicités géométriques égale $n$ .

Exemples corrigés

Soit $A = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}$ . $P_A(X) = \det \begin{pmatrix} 1-X & 1 \\ 0 & 2-X \end{pmatrix} = (1-X)(2-X)$ . Les valeurs propres sont $\lambda_1 = 1$ et $\lambda_2 = 2$ . Comme elles sont distinctes, $A$ est diagonalisable.

Erreurs fréquentes

Oublier que le vecteur propre doit être non nul.
Confondre multiplicité algébrique et dimension du sous-espace propre (multiplicité géométrique).
Calculer le déterminant de $XI_n - A$ au lieu de $A - XI_n$ (attention au signe).

L'essentiel du cours

Soit $E$ un espace vectoriel de dimension finie $n$ sur $\mathbb{R}$.

Valeurs propres : $\lambda \in \mathbb{R}$ est valeur propre de $f$ s'il existe $v \neq 0$ tel que $f(v) = \lambda v$.
Polynôme caractéristique : $P_f(X) = \det(A - XI_n)$ où $A$ est la matrice de $f$.
Diagonalisation : $f$ est diagonalisable si et seulement si la somme des dimensions des sous-espaces propres est égale à $n$.

Méthodes à maîtriser

Calculer le polynôme caractéristique $P_f(X)$.
Trouver les racines de $P_f(X)$ pour obtenir les valeurs propres.
Résoudre le système $(A - \lambda I_n)X = 0$ pour trouver les vecteurs propres.
Vérifier si la somme des multiplicités géométriques égale $n$.

Exemples corrigés

Soit $A = \begin{pmatrix} 1 & 1 \ 0 & 2 \end{pmatrix}$. $P_A(X) = \det \begin{pmatrix} 1-X & 1 \ 0 & 2-X \end{pmatrix} = (1-X)(2-X)$. Les valeurs propres sont $\lambda_1 = 1$ et $\lambda_2 = 2$. Comme elles sont distinctes, $A$ est diagonalisable.

Erreurs fréquentes

Oublier que le vecteur propre doit être non nul.
Confondre multiplicité algébrique et dimension du sous-espace propre (multiplicité géométrique).
Calculer le déterminant de $XI_n - A$ au lieu de $A - XI_n$ (attention au signe).

🌉 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

🎯 Réduction des endomorphismes

1/4

Le polynôme caractéristique de $A = \begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix}$ est :

Le polynôme caractéristique de $A = \begin{pmatrix} 2 & 0 \ 0 & 3 \end{pmatrix}$ est :

❓ Questions fréquentes

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

La valeur propre ( $\lambda$ ) est un scalaire (un nombre) qui mesure le facteur d'étirement de l'endomorphisme sur une direction donnée.
Le vecteur propre ( $v$ ) est le vecteur non nul qui définit cette direction spécifique qui reste invariante par $f$ .

💡 À retenir : L'équation fondamentale est $f(v) = \lambda v$ . Sans le vecteur, la valeur propre n'a pas de direction associée.

La valeur propre ($\lambda$) est un scalaire (un nombre) qui mesure le facteur d'étirement de l'endomorphisme sur une direction donnée.
Le vecteur propre ($v$) est le vecteur non nul qui définit cette direction spécifique qui reste invariante par $f$.

💡 À retenir : L'équation fondamentale est $f(v) = \lambda v$. Sans le vecteur, la valeur propre n'a pas de direction associée.

Kifach n7seb l'espace propre Elambda ?

Tu prends la valeur propre $\lambda$ trouvée.
Tu résous le système linéaire homogène $(A - \lambda I_n)X = 0$ .
L'ensemble des solutions est le sous-espace propre $E_\lambda$ .

💡 À retenir : $E_\lambda = \ker(f - \lambda Id)$ .

Tu prends la valeur propre $\lambda$ trouvée.
Tu résous le système linéaire homogène $(A - \lambda I_n)X = 0$.
L'ensemble des solutions est le sous-espace propre $E_\lambda$.

💡 À retenir : $E_\lambda = \ker(f - \lambda Id)$.

Est-ce qu'une matrice est toujours diagonalisable ?

Non, pas toujours. Une matrice n'est diagonalisable que si elle possède assez de vecteurs propres pour former une base de l'espace.

💡 À retenir : Si le polynôme caractéristique n'est pas scindé dans $\mathbb{R}$ ou si la dimension d'un sous-espace propre est inférieure à la multiplicité de la valeur propre, elle n'est pas diagonalisable.

Non, pas toujours. Une matrice n'est diagonalisable que si elle possède assez de vecteurs propres pour former une base de l'espace.

💡 À retenir : Si le polynôme caractéristique n'est pas scindé dans $\mathbb{R}$ ou si la dimension d'un sous-espace propre est inférieure à la multiplicité de la valeur propre, elle n'est pas diagonalisable.

chno hiya la relation bin la trace et les valeurs propres ?

La trace d'une matrice (la somme des éléments de sa diagonale) est égale à la somme des valeurs propres comptées avec leur multiplicité.

💡 À retenir : $\text{Tr}(A) = \sum_{i=1}^n \lambda_i$ .

La trace d'une matrice (la somme des éléments de sa diagonale) est égale à la somme des valeurs propres comptées avec leur multiplicité.

💡 À retenir : $\text{Tr}(A) = \sum_{i=1}^n \lambda_i$.

Comment savoir si une matrice est inversible à partir de ses valeurs propres ?

Une matrice est inversible si et seulement si $0$ n'est pas une valeur propre de la matrice.

💡 À retenir : Si $\det(A) = \prod \lambda_i \neq 0$ , alors $A$ est inversible.

Une matrice est inversible si et seulement si $0$ n'est pas une valeur propre de la matrice.

💡 À retenir : Si $\det(A) = \prod \lambda_i \neq 0$, alors $A$ est inversible.

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

Non, par définition, un vecteur propre doit être non nul. Si $f(0) = \lambda \cdot 0$ , cela est vrai pour tout $\lambda$ , donc cela ne définit aucune direction.

💡 À retenir : $v \in E \setminus \{0\}$ .

Non, par définition, un vecteur propre doit être non nul. Si $f(0) = \lambda \cdot 0$, cela est vrai pour tout $\lambda$, donc cela ne définit aucune direction.

💡 À retenir : $v \in E \setminus {0}$.

kifach n3ref wach l'matrice diagonalisable bla ma n7seb les vecteurs propres ?

Si ton polynôme caractéristique possède $n$ racines réelles distinctes, alors la matrice est automatiquement diagonalisable.

💡 À retenir : Racines distinctes $\implies$ diagonalisable.

Si ton polynôme caractéristique possède $n$ racines réelles distinctes, alors la matrice est automatiquement diagonalisable.

💡 À retenir : Racines distinctes $\implies$ diagonalisable.

Si la multiplicité algébrique est 2, est-ce que la dimension du sous-espace propre est forcément 2 ?

Pas forcément. La dimension (multiplicité géométrique) est toujours inférieure ou égale à la multiplicité algébrique. Elle peut être 1.

💡 À retenir : $1 \leq \dim(E_\lambda) \leq \text{mult}(\lambda)$ .

Pas forcément. La dimension (multiplicité géométrique) est toujours inférieure ou égale à la multiplicité algébrique. Elle peut être 1.

💡 À retenir : $1 \leq \dim(E_\lambda) \leq \text{mult}(\lambda)$.

C'est quoi une matrice semblable ?

Deux matrices $A$ et $B$ sont semblables s'il existe une matrice inversible $P$ telle que $A = PBP^{-1}$ . Elles représentent le même endomorphisme dans deux bases différentes.

💡 À retenir : Elles ont le même polynôme caractéristique et la même trace.

Deux matrices $A$ et $B$ sont semblables s'il existe une matrice inversible $P$ telle que $A = PBP^{-1}$. Elles représentent le même endomorphisme dans deux bases différentes.

💡 À retenir : Elles ont le même polynôme caractéristique et la même trace.

Est-ce que le polynôme caractéristique dépend de la base choisie ?

Non, le polynôme caractéristique est un invariant de l'endomorphisme. Il est le même quelle que soit la base choisie pour représenter $f$ .

💡 À retenir : $\det(A - XI) = \det(PBP^{-1} - XI)$ .

Non, le polynôme caractéristique est un invariant de l'endomorphisme. Il est le même quelle que soit la base choisie pour représenter $f$.

💡 À retenir : $\det(A - XI) = \det(PBP^{-1} - XI)$.

Pourquoi on étudie la réduction des endomorphismes ?

Pour simplifier les calculs complexes, notamment le calcul des puissances d'une matrice ( $A^n = PD^nP^{-1}$ ), ce qui est crucial en probabilités et systèmes dynamiques.

💡 À retenir : La forme diagonale rend les calculs matriciels triviaux.

Pour simplifier les calculs complexes, notamment le calcul des puissances d'une matrice ($A^n = PD^nP^{-1}$), ce qui est crucial en probabilités et systèmes dynamiques.

💡 À retenir : La forme diagonale rend les calculs matriciels triviaux.

Est-ce que les valeurs propres peuvent être complexes ?

Oui, mais dans le cadre du programme de cette filière, on se limite souvent aux valeurs propres réelles pour la diagonalisation dans $\mathbb{R}$ .

💡 À retenir : Si le polynôme n'est pas scindé dans $\mathbb{R}$ , on ne peut pas diagonaliser dans $\mathbb{R}$ .

Oui, mais dans le cadre du programme de cette filière, on se limite souvent aux valeurs propres réelles pour la diagonalisation dans $\mathbb{R}$.

💡 À retenir : Si le polynôme n'est pas scindé dans $\mathbb{R}$, on ne peut pas diagonaliser dans $\mathbb{R}$.

✍️ Exercices type examen national

Exercice 1

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

Déterminer le polynôme caractéristique de $A$ .
En déduire les valeurs propres de $A$ .
La matrice $A$ est-elle diagonalisable ? Justifier.

Exercice 1

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

Déterminer le polynôme caractéristique de $A$.
En déduire les valeurs propres de $A$.
La matrice $A$ est-elle diagonalisable ? Justifier.

Voir la correction détaillée : inscription gratuite

Exercice 2

Soit $f$ un endomorphisme de $\mathbb{R}^3$ dont la matrice dans la base canonique est $A = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 2 & 1 \\ 0 & 0 & 2 \end{pmatrix}$ .

Calculer le polynôme caractéristique.
Déterminer les sous-espaces propres.
$f$ est-il diagonalisable ?

Exercice 2

Soit $f$ un endomorphisme de $\mathbb{R}^3$ dont la matrice dans la base canonique est $A = \begin{pmatrix} 1 & 0 & 0 \ 0 & 2 & 1 \ 0 & 0 & 2 \end{pmatrix}$.

Calculer le polynôme caractéristique.
Déterminer les sous-espaces propres.
$f$ est-il diagonalisable ?

Voir la correction détaillée : inscription gratuite

Exercice 3

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

Montrer que $A$ n'est pas diagonalisable.
Calculer $A^n$ pour tout $n \in \mathbb{N}$ .

Exercice 3

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

Montrer que $A$ n'est pas diagonalisable.
Calculer $A^n$ pour tout $n \in \mathbb{N}$.

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

Espaces vectoriels et applications linéaires Espaces préhilbertiens réels Analyse réelle : Suites et séries numériques Fonctions d'une variable réelle : Continuité, dérivabilité et développements limités Calcul intégral et équations différentielles Fonctions de plusieurs variables : Calcul différentiel Intégrales multiples et curvilignes Probabilités et variables aléatoires Statistique descriptive et inférentielle Processus stochastiques Recherche opérationnelle : Programmation linéaire Analyse numérique