Calcul Du Rang De A Matrice Diagonalisable

Outil premium pour déterminer rapidement le rang, la nullité et la contribution de chaque valeur propre d’une matrice supposée diagonalisable.

Calculateur

Guide expert : calcul du rang d’une matrice diagonalisable

Le calcul du rang d’une matrice diagonalisable est un sujet central en algèbre linéaire, à la croisée de plusieurs notions fondamentales : valeurs propres, vecteurs propres, noyau, image, multiplicité algébrique et multiplicité géométrique. Lorsqu’une matrice est diagonalisable, l’étude de son rang devient beaucoup plus simple que dans le cas général, car sa structure spectrale donne immédiatement accès à l’information essentielle. En pratique, cela permet d’éviter une réduction complète de Gauss lorsqu’on connaît déjà la décomposition en valeurs propres.

Rappelons l’idée clé : si une matrice carrée A de taille n est diagonalisable, alors elle est semblable à une matrice diagonale D. Cela signifie qu’il existe une matrice inversible P telle que A = P D P^-1. Comme le rang est invariant par similitude, on a rg(A) = rg(D). Or le rang d’une matrice diagonale se lit immédiatement : c’est le nombre d’éléments diagonaux non nuls, comptés avec leur multiplicité. Cette propriété est la base de tout calcul rapide du rang d’une matrice diagonalisable.

Formule fondamentale

Si A est diagonalisable et de dimension n, alors :

• le rang est égal au nombre total de valeurs propres non nulles comptées avec multiplicité ;
• la nullité est égale à la multiplicité de la valeur propre 0 ;
• on a toujours la relation rg(A) + dim(Ker(A)) = n.

En notation compacte, si m(0) désigne la multiplicité algébrique de la valeur propre 0 et si la matrice est diagonalisable, alors :

rg(A) = n – m(0).

Pourquoi cette formule fonctionne-t-elle si bien dans le cas diagonalisable ? Parce que la diagonalisabilité garantit que l’espace vectoriel admet une base de vecteurs propres. La partie associée à la valeur propre 0 coïncide alors exactement avec le noyau de l’application linéaire. La dimension du noyau est donc la multiplicité de 0. Sans diagonalisabilité, cette identification peut devenir plus subtile.

Méthode pratique de calcul

1. Identifier les valeurs propres de la matrice.
2. Vérifier que la matrice est bien diagonalisable.
3. Repérer la multiplicité de la valeur propre 0.
4. Appliquer la formule rg(A) = n – m(0).

Supposons par exemple qu’une matrice de taille 5 possède les valeurs propres suivantes : 4 de multiplicité 2, -1 de multiplicité 2, et 0 de multiplicité 1. Si elle est diagonalisable, alors son rang vaut immédiatement 5 – 1 = 4. Aucune réduction laborieuse n’est nécessaire.

Pourquoi la valeur propre 0 est déterminante

Le rang mesure la dimension de l’image de l’application linéaire associée à la matrice. Le noyau mesure quant à lui l’ensemble des vecteurs envoyés sur le vecteur nul. Or résoudre A x = 0 revient à chercher les vecteurs propres associés à la valeur propre 0. Dans le cas diagonalisable, tous les blocs spectraux sont indépendants et propres, ce qui fait que la dimension du noyau se lit directement comme la multiplicité de 0.

On peut donc reformuler le principe ainsi :

• si 0 n’est pas valeur propre, la matrice est inversible et son rang vaut n ;
• si 0 est valeur propre de multiplicité 1, le rang vaut n – 1 ;
• si 0 a une grande multiplicité, le rang diminue d’autant.

Exemples détaillés

Exemple 1 : matrice diagonalisable de taille 4 avec spectre {3, 3, 1, 0}. Le nombre de valeurs propres non nulles est 3. Donc rg(A) = 3 et dim(Ker(A)) = 1.

Exemple 2 : matrice diagonalisable de taille 6 avec valeurs propres 2 de multiplicité 3, 0 de multiplicité 2 et -5 de multiplicité 1. Alors le rang est 3 + 1 = 4, ou encore 6 – 2 = 4.

Exemple 3 : si une matrice symétrique réelle est de taille 3, elle est diagonalisable sur R. Si ses valeurs propres sont 7, 0, 0, son rang est 1. Cet exemple est typique des matrices de projection de rang 1.

Comparaison avec la méthode de Gauss

Dans un cours classique, le rang est souvent calculé par élimination de Gauss. Cette méthode est universelle, mais elle ne profite pas de la structure diagonalisable. Si les valeurs propres sont déjà connues, la lecture du rang via le spectre est souvent plus rapide et conceptuellement plus élégante.

Méthode	Données nécessaires	Principe	Avantage principal
Élimination de Gauss	Matrice complète	Réduction échelonnée puis comptage des pivots	Fonctionne toujours
Approche spectrale	Valeurs propres et diagonalisabilité	Comptage des valeurs propres non nulles avec multiplicité	Très rapide si le spectre est connu
Noyau	Résolution de Ax = 0	Calcul de la nullité puis théorème du rang	Bonne lecture géométrique

Sur le plan algorithmique, l’intérêt du point de vue spectral apparaît aussi dans les coûts de calcul. Pour une matrice dense de taille n, une élimination de Gauss classique nécessite approximativement 2n^3/3 opérations flottantes, tandis que les méthodes de diagonalisation numérique et de calcul spectral utilisent elles aussi des coûts cubiques, mais exploitent mieux certaines structures comme la symétrie. Les chiffres ci-dessous donnent des ordres de grandeur standards en calcul numérique dense.

Taille n	Gauss dense, environ 2n^3/3 flops	Produit matriciel dense, environ 2n^3 flops	Lecture immédiate du rang si le spectre est déjà connu
100	666 667 flops	2 000 000 flops	Quasi instantanée
500	83 333 333 flops	250 000 000 flops	Quasi instantanée
1000	666 666 667 flops	2 000 000 000 flops	Quasi instantanée
2000	5 333 333 333 flops	16 000 000 000 flops	Quasi instantanée

Cas particuliers importants

Matrice inversible : une matrice diagonalisable est inversible si et seulement si 0 n’est pas valeur propre. Dans ce cas, le rang est maximal et vaut n.

Matrice de projection : une projection vérifie P^2 = P. Ses seules valeurs propres possibles sont 0 et 1, et elle est diagonalisable. Son rang est alors exactement la multiplicité de 1.

Matrice symétrique réelle : toute matrice symétrique réelle est diagonalisable dans une base orthonormale. Le calcul du rang via les valeurs propres y est donc particulièrement naturel, notamment en statistiques, optimisation et traitement du signal.

Erreurs fréquentes à éviter

• Confondre multiplicité algébrique et multiplicité géométrique.
• Appliquer la formule sans vérifier la diagonalisabilité.
• Oublier de compter les multiplicités des valeurs propres non nulles.
• Penser que l’absence de diagonalisabilité empêche tout calcul du rang : c’est faux, mais la lecture directe par le spectre devient moins immédiate.

Quand la matrice n’est pas diagonalisable

Dans le cas général, la présence de la valeur propre 0 ne suffit pas à lire directement le rang à partir de la seule multiplicité algébrique, car des blocs de Jordan peuvent intervenir. La nullité dépend alors de la dimension du sous-espace propre associé à 0, pas seulement de sa multiplicité algébrique. C’est précisément pour cela que la diagonalisabilité simplifie énormément l’analyse.

Autrement dit, notre calculateur suppose un cadre favorable : vous connaissez une matrice diagonalisable, ou au moins un spectre certifié compatible avec une diagonalisation. Dans ce cadre, la formule est exacte et robuste.

Applications concrètes

Le rang d’une matrice diagonalisable intervient dans de nombreux domaines :

• en mécanique et en physique, pour analyser les modes propres d’un système linéaire ;
• en statistique, pour étudier les matrices de covariance singulières ;
• en informatique scientifique, pour réduire des systèmes linéaires selon leur structure spectrale ;
• en apprentissage automatique, pour comprendre la dimension effective de certaines transformations linéaires.

Dans les pratiques numériques modernes, on exploite souvent des bibliothèques qui calculent directement les valeurs singulières ou les valeurs propres. Une fois ce spectre disponible, le rang théorique d’une matrice diagonalisable est immédiatement interprétable. C’est aussi la raison pour laquelle ce sujet est très présent dans les cours universitaires de calcul scientifique et d’algèbre linéaire avancée.

Ressources académiques et institutionnelles

Pour approfondir le sujet, vous pouvez consulter ces ressources d’autorité :

• MIT OpenCourseWare – Linear Algebra
• The University of Texas at Austin – Advanced Linear Algebra Foundations to Frontiers
• NIST Matrix Market – Mathematical and numerical matrix resources

Résumé opérationnel

Pour calculer le rang d’une matrice diagonalisable, retenez cette procédure simple : déterminez la dimension n, identifiez la multiplicité de la valeur propre 0, puis soustrayez. Si m(0) est la multiplicité de 0, alors rg(A) = n – m(0). C’est la formule centrale, la plus rapide et la plus fiable dans le cadre diagonalisable.

Le calculateur ci-dessus automatise exactement cette logique. Vous pouvez soit entrer directement la multiplicité de 0, soit saisir l’ensemble des valeurs propres avec leurs multiplicités. L’outil contrôle la cohérence des données, calcule le rang, affiche la nullité, et visualise la contribution de chaque valeur propre. Pour les étudiants, enseignants et praticiens, c’est une manière claire de passer de la théorie spectrale à un résultat immédiatement exploitable.