Valeurs propres et vecteurs propres : une introduction accessible aux débutants

Les valeurs propres et les vecteurs propres semblent mystérieux la première fois qu'on les rencontre, mais l'idée sous-jacente est intuitive : lorsqu'une matrice transforme un vecteur, la plupart des vecteurs sont tournés et étirés. Les vecteurs propres sont les directions spéciales qui ne font que s'étirer, sans jamais tourner. Ce facteur d'étirement est la valeur propre.

La définition

Étant donné une matrice $A$ de taille $n \times n$, un vecteur non nul $\mathbf{v}$ est un vecteur propre de valeur propre $\lambda$ lorsque :

$A \mathbf{v} = \lambda \mathbf{v}$

Géométriquement : $A$ agissant sur $\mathbf{v}$ produit $\lambda$ fois $\mathbf{v}$ — même direction, simplement mise à l'échelle.

Comment les trouver — le polynôme caractéristique

En réarrangeant, on obtient $(A - \lambda I)\mathbf{v} = \mathbf{0}$. Pour qu'un $\mathbf{v}$ non trivial existe, la matrice $A - \lambda I$ doit être singulière, c'est-à-dire :

$\det(A - \lambda I) = 0$

Cela se développe en un polynôme en $\lambda$ appelé polynôme caractéristique, de degré $n$. Ses racines sont les valeurs propres.

Exemple résolu $2 \times 2$

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

1. $A - \lambda I = \begin{pmatrix} 4 - \lambda & 1 \\ 2 & 3 - \lambda \end{pmatrix}$.
2. $\det = (4-\lambda)(3-\lambda) - 2 = \lambda^2 - 7\lambda + 10$.
3. Résolvez $\lambda^2 - 7\lambda + 10 = 0$ : $\lambda = 5$ ou $\lambda = 2$.

Pour $\lambda = 5$ : résolvez $(A - 5I)\mathbf{v} = 0$, soit $\begin{pmatrix} -1 & 1 \\ 2 & -2 \end{pmatrix}\mathbf{v} = 0$, ce qui donne le vecteur propre $\mathbf{v}_1 = (1, 1)$.

Pour $\lambda = 2$ : un processus similaire donne $\mathbf{v}_2 = (1, -2)$.

Pourquoi les vecteurs propres comptent

• Analyse en composantes principales (ACP) : les vecteurs propres de la matrice de covariance sont les directions principales de variation de vos données.
• PageRank de Google : le vecteur de rang est le vecteur propre dominant de la matrice de liens du web.
• Mécanique quantique : les observables sont des opérateurs ; leurs valeurs propres sont les seuls résultats que vous pouvez mesurer.
• Équations différentielles : les valeurs propres de la matrice du système vous indiquent si les solutions décroissent ou divergent.

Récapitulatif du sens géométrique

Pour une matrice 2D, les vecteurs propres sont des axes spéciaux. Si vous alignez le système de coordonnées sur eux, $A$ devient diagonale — pure mise à l'échelle le long de chaque axe, sans rotation. C'est la diagonalisation, et c'est le fondement de dizaines d'algorithmes.

Erreurs courantes

• Oublier que les vecteurs propres sont définis à un facteur d'échelle près — tout multiple non nul d'un vecteur propre est aussi un vecteur propre.
• Sauter l'équation caractéristique et essayer de deviner.
• Traiter $\det(A - \lambda I)$ comme $\det(A) - \lambda$ — ce n'est pas le cas.

Essayez avec le solveur de matrices IA

Déposez votre matrice dans la calculatrice de matrices et demandez les valeurs propres — chaque étape est affichée.

Références associées :

• Calculatrice de déterminants — nécessaire pour le polynôme caractéristique
• Solveur d'équations quadratiques — pour le cas caractéristique $2\times 2$
• Calculatrice de vecteurs — les vecteurs propres sont des vecteurs dans le fond