Calcul d’un sous espace propre corrigé
Saisissez une matrice carrée, une valeur propre λ, puis obtenez automatiquement le sous-espace propre associé, sa base, son rang, sa dimension et une visualisation graphique claire.
Matrice A
Guide expert: comment faire le calcul d’un sous espace propre corrigé
Le calcul d’un sous espace propre est une étape centrale de l’algèbre linéaire. En pratique, on le rencontre dès qu’on travaille sur la diagonalisation d’une matrice, la réduction d’un endomorphisme, la stabilité d’un système dynamique, l’analyse des vibrations, le traitement du signal ou encore les méthodes numériques. L’expression calcul d’un sous espace propre corrigé renvoie généralement à une résolution complète, justifiée et vérifiée, où l’on ne se contente pas de trouver une réponse, mais où l’on montre précisément comment on passe de la matrice initiale au noyau de A – λI.
Si vous révisez un exercice, préparez un examen ou souhaitez automatiser la vérification de vos calculs, l’idée essentielle est la suivante: le sous espace propre associé à une valeur propre λ est l’ensemble des vecteurs non nuls x tels que Ax = λx. Cette relation s’écrit de façon équivalente (A – λI)x = 0. Autrement dit, le sous espace propre associé à λ est exactement le noyau de la matrice A – λI.
Définition rigoureuse du sous espace propre
Soit A une matrice carrée de taille n. On dit que λ est une valeur propre de A s’il existe un vecteur non nul x tel que Ax = λx. L’ensemble de tous les vecteurs qui vérifient cette relation, auquel on ajoute le vecteur nul pour obtenir une structure de sous-espace vectoriel, constitue le sous espace propre associé à λ. Ce sous-espace se note souvent Eλ.
- Si dim(Eλ) = 1, on parle d’une droite propre.
- Si dim(Eλ) = 2, on a un plan propre.
- Si la dimension est plus grande, le phénomène traduit une multiplicité géométrique plus élevée.
Le point crucial est que l’on ne calcule pas directement Eλ à partir de la relation Ax = λx sous sa forme brute. On transforme d’abord le problème en système homogène. Cela permet d’utiliser l’élimination de Gauss, la forme échelonnée réduite et le théorème du rang pour obtenir une base du sous-espace propre.
Méthode corrigée pas à pas
1. Identifier la matrice et la valeur propre
On part de la matrice A et d’une valeur propre supposée λ. Si l’exercice vous demande d’abord les valeurs propres, il faut généralement résoudre l’équation caractéristique det(A – λI) = 0. Une fois λ connue, on peut calculer le sous espace propre correspondant.
2. Construire la matrice A – λI
Il faut soustraire λ uniquement aux coefficients diagonaux. C’est une erreur classique de le soustraire à tous les coefficients. Si A = (aij), alors A – λI possède les termes aii – λ sur la diagonale et conserve tous les termes hors diagonale.
3. Résoudre le système homogène (A – λI)x = 0
C’est le coeur du calcul. On réduit la matrice A – λI par opérations élémentaires sur les lignes. Le but est de dégager:
- les variables pivots,
- les variables libres,
- une écriture paramétrique de l’ensemble des solutions.
Chaque paramètre libre fournit ensuite un vecteur de base du sous espace propre. Si une seule variable est libre, on obtient souvent une base formée d’un seul vecteur. Si deux variables sont libres, il faut produire deux vecteurs linéairement indépendants.
4. Donner une base du sous espace propre
Une fois la solution paramétrique obtenue, il faut l’écrire sous forme vectorielle. Par exemple, si vous obtenez x = t(1, 2, -1), alors une base de Eλ est {(1, 2, -1)}. Si vous avez x = s(1, 0, 3) + t(0, 1, -2), alors une base est {(1, 0, 3), (0, 1, -2)}.
5. Vérifier la cohérence
Un corrigé de qualité doit toujours se terminer par une vérification. Prenez chaque vecteur de base v trouvé et contrôlez que Av = λv. Cette étape détecte rapidement une erreur de signe ou une mauvaise lecture d’une ligne pivot.
Exemple corrigé simple
Considérons la matrice diagonale A = diag(2, 1, 1) et la valeur propre λ = 1. On construit:
A – I = diag(1, 0, 0).
Le système (A – I)x = 0 devient alors x1 = 0, tandis que x2 et x3 sont libres. On en déduit:
x = (0, s, t) = s(0,1,0) + t(0,0,1).
Donc le sous espace propre associé à λ = 1 est le plan engendré par (0,1,0) et (0,0,1). Sa dimension est 2. C’est précisément le type de calcul qu’effectue le calculateur ci-dessus.
Différence entre multiplicité algébrique et multiplicité géométrique
Dans de nombreux exercices, la confusion entre ces deux notions est à l’origine des erreurs. La multiplicité algébrique d’une valeur propre est son nombre d’apparitions comme racine du polynôme caractéristique. La multiplicité géométrique est la dimension du sous espace propre associé, autrement dit la dimension de Ker(A – λI).
- On a toujours 1 ≤ multiplicité géométrique ≤ multiplicité algébrique pour une valeur propre présente.
- Une matrice est diagonalisable si la somme des dimensions de ses sous espaces propres atteint la dimension totale de l’espace.
- Quand la multiplicité géométrique est strictement inférieure à la multiplicité algébrique, la matrice n’est pas diagonalisable sur le corps considéré.
| Taille de la matrice | Nombre d’entrées | Nombre maximal de valeurs propres distinctes | Dimension possible d’un sous espace propre | Remarque pratique |
|---|---|---|---|---|
| 2 x 2 | 4 | 2 | 1 ou 2 | Le calcul est souvent immédiat après réduction de Gauss. |
| 3 x 3 | 9 | 3 | 1, 2 ou 3 | La lecture des variables libres devient essentielle. |
| n x n | n² | n | Entre 1 et n | La structure du noyau de A – λI gouverne toute la réponse. |
Lecture du rang et de la dimension
Le calcul d’un sous espace propre se relie directement au théorème du rang. Pour une matrice B = A – λI de taille n, on a:
dim(Ker(B)) = n – rang(B).
C’est un outil extraordinairement utile. Même avant d’écrire explicitement la base, vous pouvez déjà connaître la dimension du sous espace propre en lisant le rang de A – λI. Cela permet de vérifier très tôt si votre résultat est plausible.
| Cas pour une matrice 3 x 3 | Rang de A – λI | Nullité = dimension du sous espace propre | Interprétation |
|---|---|---|---|
| Cas plein rang | 3 | 0 | λ n’est pas une valeur propre, aucun vecteur propre non nul associé. |
| Un degré de liberté | 2 | 1 | Le sous espace propre est une droite. |
| Deux degrés de liberté | 1 | 2 | Le sous espace propre est un plan. |
| Matrice nulle | 0 | 3 | Tout l’espace est propre pour cette valeur propre. |
Erreurs fréquentes dans un calcul corrigé
Soustraire λ partout dans la matrice
C’est probablement l’erreur la plus fréquente. On doit calculer A – λI, pas A – λJ avec une matrice de 1 partout. Seule la diagonale change.
Confondre espace des vecteurs propres et ensemble des seuls vecteurs non nuls
Les vecteurs propres, par définition, sont non nuls. Mais le sous espace propre est un sous-espace vectoriel, il contient donc toujours le vecteur nul. Quand vous donnez une base, vous ne listez pas le vecteur nul, bien sûr, mais il appartient tout de même à l’ensemble final.
Oublier les paramètres libres
Lorsque le système possède plusieurs variables libres, il faut toutes les exploiter. Sinon, vous risquez de donner un seul vecteur alors que le sous espace propre est de dimension 2 ou plus.
Ne pas vérifier Av = λv
Une simple substitution permet d’éliminer les erreurs de signe. Dans un corrigé propre, cette vérification finale renforce la qualité de la réponse.
Pourquoi ce calcul est important en pratique
Les sous espaces propres ne sont pas seulement des objets théoriques. Ils jouent un rôle majeur dans les sciences appliquées. En mécanique, ils servent à décrire des modes propres de vibration. En statistiques et en data science, ils se cachent derrière l’analyse en composantes principales. En informatique graphique, ils interviennent dans certaines transformations linéaires répétées. En équations différentielles, ils simplifient l’étude des systèmes linéaires en permettant une décomposition de l’espace selon des directions invariantes.
Pour approfondir la théorie et les méthodes numériques associées, vous pouvez consulter des sources académiques et institutionnelles reconnues, notamment MIT OpenCourseWare, les notes universitaires de Lamar University, ainsi que certaines ressources de calcul scientifique du National Institute of Standards and Technology.
Comment interpréter le résultat fourni par le calculateur
Le calculateur ci-dessus vous donne plusieurs informations complémentaires:
- La matrice A – λI, utile pour comprendre l’origine du système homogène.
- Le rang, qui mesure le nombre de contraintes indépendantes.
- La dimension du sous espace propre, obtenue par la nullité.
- Une base, c’est-à-dire un ensemble minimal de vecteurs engendrant tout le sous espace propre.
- Un graphique, pour visualiser le rapport entre rang, nullité, colonnes pivots et variables libres.
Si la dimension vaut 0, cela signifie que la valeur saisie n’est pas une valeur propre de la matrice. Si la dimension vaut 1, vous avez une direction propre unique à multiplication scalaire près. Si elle vaut 2 ou 3, l’espace propre est plus riche et traduit une symétrie plus forte dans l’action de la matrice.
Méthode recommandée en examen
- Écrire clairement Eλ = Ker(A – λI).
- Construire la matrice A – λI sans erreur sur la diagonale.
- Résoudre le système homogène avec une réduction propre et lisible.
- Exprimer la solution sous forme paramétrique.
- Extraire une base du sous espace propre.
- Préciser la dimension.
- Faire la vérification finale Av = λv.
Conclusion
Le calcul d’un sous espace propre corrigé ne se limite pas à produire un vecteur propre. Il s’agit d’identifier, justifier et interpréter tout l’ensemble des solutions de (A – λI)x = 0. La démarche correcte passe par la construction de A – λI, la réduction du système homogène, l’identification des variables libres et l’extraction d’une base. En vous appuyant sur le calculateur, vous pouvez vérifier vos exercices, tester plusieurs valeurs propres et visualiser instantanément la structure du noyau. C’est un excellent moyen d’apprendre plus vite, de réduire les erreurs et de mieux comprendre la géométrie cachée derrière les matrices.