Calculatrice de valeurs propres et vecteurs propres : Guide étape par étape
Une calculatrice de valeurs propres et vecteurs propres trouve les scalaires λ et les vecteurs non nuls v qui satisfont Av = λv pour une matrice carrée A, en utilisant l'équation caractéristique det(A - λI) = 0 pour résoudre les valeurs propres et puis en substituant en arrière pour trouver chaque vecteur propre. Les valeurs propres et vecteurs propres révèlent comment une transformation linéaire étire, rétrécit ou réfléchit l'espace le long de directions spécifiques, et ils soutiennent des techniques allant de l'analyse en composantes principales à l'analyse des vibrations structurelles et à l'algorithme PageRank de Google. Ce guide parcourt la méthode complète étape par étape avec de l'arithmétique réelle, couvrant à la fois une matrice 2×2 générale et le raccourci diagonal/triangulaire, puis travaille sur des problèmes de pratique avec des solutions complètes.
Sommaire
- 01Qu'est-ce que les valeurs propres et les vecteurs propres?
- 02Comment une calculatrice de valeurs propres et vecteurs propres les trouve-t-elle étape par étape?
- 03Exemple travaillé : Trouver les valeurs propres et vecteurs propres d'une matrice 2×2
- 04Comment trouver les valeurs propres d'une matrice diagonale ou triangulaire?
- 05Que signifient les valeurs propres et les vecteurs propres géométriquement?
- 06Où les valeurs propres et les vecteurs propres apparaissent-ils dans les applications réelles?
- 07Erreurs courantes lors du calcul des valeurs propres et des vecteurs propres
- 08Problèmes de pratique : Testez votre compréhension des valeurs propres et vecteurs propres
- 09Pourquoi utiliser une calculatrice de valeurs propres et vecteurs propres pour la pratique étape par étape?
Qu'est-ce que les valeurs propres et les vecteurs propres?
Une calculatrice de valeurs propres et vecteurs propres est construite autour d'une équation centrale : pour une matrice carrée n×n A, un vecteur non nul v est appelé vecteur propre si multiplier A par v produit un vecteur qui pointe dans la même direction que v, juste mis à l'échelle par une constante. Cette constante, écrite λ (lambda), est la valeur propre. Sous forme d'équation, Av = λv, où v ≠ 0. La réorganisation donne (A - λI)v = 0, où I est la matrice identité de la même taille que A. C'est un système linéaire homogène, et il n'a une solution non nulle v que lorsque la matrice (A - λI) est singulière — ce qui signifie que son déterminant est zéro. Cette seule exigence, det(A - λI) = 0, s'appelle l'équation caractéristique, et sa résolution est la première étape pour trouver toutes les valeurs propres de A. Quand une matrice A a n vecteurs propres linéairement indépendants, ces vecteurs propres peuvent être assemblés comme les colonnes d'une matrice P, et A peut être réécrite comme A = PDP⁻¹, où D est la matrice diagonale contenant les valeurs propres correspondantes. Ce processus s'appelle la diagonalisation, et c'est la raison principale pour laquelle les valeurs propres et les vecteurs propres sont étudiés ensemble plutôt que séparément — une 'décomposition en valeurs propres' de A n'est possible qu'une fois que vous avez les deux pièces.
Av = λv : un vecteur propre v conserve sa direction sous la transformation A — il n'est que mis à l'échelle, réduit ou inversé par la valeur propre scalaire λ.
Exemple travaillé : Trouver les valeurs propres et vecteurs propres d'une matrice 2×2
Considérez A = [[4, 1], [2, 3]]. C'est une matrice standard 2×2 avec deux valeurs propres réelles distinctes, ce qui en fait un premier exemple propre de la méthode complète.
1. Étape 1 — Configurer et développer l'équation caractéristique
(A - λI) = [[4-λ, 1], [2, 3-λ]] det(A - λI) = (4-λ)(3-λ) - (1)(2) = λ² - 7λ + 12 - 2 = λ² - 7λ + 10
2. Étape 2 — Factoriser et résoudre pour les valeurs propres
λ² - 7λ + 10 = (λ - 5)(λ - 2) = 0, donc λ₁ = 5 et λ₂ = 2.
3. Étape 3 — Trouver le vecteur propre pour λ₁ = 5
(A - 5I) = [[-1, 1], [2, -2]] La ligne 1 donne -x + y = 0, donc y = x. En choisissant x = 1, on obtient le vecteur propre v₁ = (1, 1).
4. Étape 4 — Trouver le vecteur propre pour λ₂ = 2
(A - 2I) = [[2, 1], [2, 1]] La ligne 1 donne 2x + y = 0, donc y = -2x. En choisissant x = 1, on obtient le vecteur propre v₂ = (1, -2).
5. Étape 5 — Vérifier les deux résultats
Av₁ = [4(1)+1(1), 2(1)+3(1)] = [5, 5] = 5(1, 1) ✓ Av₂ = [4(1)+1(-2), 2(1)+3(-2)] = [2, -4] = 2(1, -2) ✓ Les deux paires propres se vérifient.
6. Étape 6 — Confirmer que la matrice est diagonalisable
Parce que les deux valeurs propres sont réelles et distinctes, A est diagonalisable : en assemblant v₁ et v₂ comme les colonnes de P = [[1, 1], [1, -2]] et D = [[5, 0], [0, 2]], on retrouve la matrice originale par A = PDP⁻¹. Chaque matrice 2×2 avec deux valeurs propres distinctes est garantie d'être diagonalisable de cette façon.
7. Étape 7 — Vérification croisée utilisant la trace et le déterminant
Deux vérifications de cohérence rapides fonctionnent pour toute matrice carrée : la somme des valeurs propres égale toujours la trace de A (la somme de ses entrées diagonales), et le produit des valeurs propres égale toujours det(A). Ici, 5 + 2 = 7 correspond à trace(A) = 4 + 3 = 7, et 5 × 2 = 10 correspond à det(A) = (4)(3) - (1)(2) = 10 — confirmant que les deux valeurs propres sont correctes sans les redériver.
Résultat : A = [[4,1],[2,3]] a les valeurs propres λ₁ = 5 avec le vecteur propre (1, 1), et λ₂ = 2 avec le vecteur propre (1, -2).
Comment trouver les valeurs propres d'une matrice diagonale ou triangulaire?
Les matrices diagonales et triangulaires offrent un raccourci qui saute complètement l'arithmétique de l'équation caractéristique : leurs valeurs propres sont simplement les entrées qui se trouvent sur la diagonale principale. Cela fonctionne parce que soustraire λ de la diagonale d'une matrice triangulaire la garde triangulaire, et le déterminant de toute matrice triangulaire est juste le produit de ses entrées diagonales.
1. Étape 1 — Lire les valeurs propres directement depuis une matrice diagonale
Pour D = [[3, 0, 0], [0, -1, 0], [0, 0, 5]], det(D - λI) = (3-λ)(-1-λ)(5-λ), donc les valeurs propres sont simplement λ = 3, λ = -1, et λ = 5 — pas d'élimination requise. Leurs vecteurs propres sont les vecteurs de base standard (1,0,0), (0,1,0), et (0,0,1).
2. Étape 2 — Appliquer le même raccourci à une matrice triangulaire supérieure
Pour T = [[2, 4, 1], [0, 5, 3], [0, 0, -3]], det(T - λI) = (2-λ)(5-λ)(-3-λ) parce que la matrice reste triangulaire supérieure après soustraction de λ. Les valeurs propres sont les entrées diagonales : λ = 2, λ = 5, et λ = -3.
3. Étape 3 — Trouver un vecteur propre pour une matrice triangulaire utilisant la substitution en arrière
Pour λ = 5 dans T : (T - 5I) = [[-3, 4, 1], [0, 0, 3], [0, 0, -8]]. La ligne 2 donne 3z = 0, donc z = 0. La ligne 1 donne -3x + 4y + z = 0, donc -3x + 4y = 0. En choisissant y = 3, on obtient x = 4, donc v = (4, 3, 0).
4. Étape 4 — Vérifier le vecteur propre triangulaire
Tv = [2(4)+4(3)+1(0), 5(3), -3(0)] = [20, 15, 0] = 5(4, 3, 0) ✓, confirmant que λ = 5 s'appaire correctement avec le vecteur propre (4, 3, 0).
5. Étape 5 — Comprendre pourquoi le raccourci importe au-delà de la vitesse
Ce raccourci est plus qu'une commodité — c'est aussi la raison pour laquelle la diagonalisation est utile en premier lieu. Si vous pouvez trouver une matrice P qui convertit A en une matrice triangulaire ou diagonale D, le calcul de grandes puissances de A (nécessaire pour résoudre les relations de récurrence et les systèmes d'équations différentielles) s'effondre en calculant les puissances de D, ce qui signifie simplement élever chaque entrée diagonale à cette puissance.
Raccourci : pour toute matrice diagonale ou triangulaire, les valeurs propres sont exactement les entrées diagonales — det(A - λI) se factorise automatiquement en (d₁-λ)(d₂-λ)⋯(dₙ-λ).
Que signifient les valeurs propres et les vecteurs propres géométriquement?
Imaginez une matrice A comme une transformation qui déplace chaque point dans l'espace. La plupart des vecteurs sont poussés dans une nouvelle direction quand vous appliquez A, mais les vecteurs propres sont les directions spéciales que A laisse non-tournées — un vecteur le long d'une direction de vecteur propre ne s'étire, se comprime ou s'inverse, jamais se tourne. La valeur propre λ vous dit exactement combien : |λ| > 1 étire la direction du vecteur propre, 0 < |λ| < 1 la compresse vers l'origine, et un λ négatif la retourne pour pointer dans le sens opposé tout en restant sur la même ligne. Dans l'exemple 2×2 ci-dessus, chaque vecteur le long de la ligne passant par l'origine et (1, 1) est étiré par un facteur de 5 sous A, tandis que chaque vecteur le long de la ligne passant par (1, -2) est étiré par un facteur de 2. Tout autre vecteur dans le plan est une combinaison de ces deux directions, donc son chemin sous application répétée de A est dominé de plus en plus par la plus grande valeur propre — la même idée qui alimente la convergence de la chaîne de Markov et les algorithmes itératifs comme PageRank. Pas toutes les matrices ont assez de directions de vecteur propre indépendantes pour couvrir tout l'espace. Quand ce n'est pas le cas, aucune matrice diagonale D ne peut la représenter exactement, et les mathématiciens travaillent à la place avec une structure connexe appelée la forme de Jordan. C'est la raison géométrique pour laquelle les valeurs propres répétées causent parfois des problèmes : deux directions peuvent s'effondrer en un seul axe, laissant moins de n directions indépendantes pour qu'une matrice n×n se diagonalise.
1. Exemple rapide — une matrice de réflexion
Pour A = [[0, 1], [1, 0]], la résolution de det(A - λI) = λ² - 1 = 0 donne λ = 1 et λ = -1. Le vecteur propre pour λ = 1 est (1, 1) — la ligne y = x, que A laisse complètement intouchée — tandis que le vecteur propre pour λ = -1 est (1, -1), la ligne que A retourne d'un bout à l'autre. C'est exactement comment la matrice gagne son nom géométrique : elle réfléchit le plan sur la ligne y = x, et les deux valeurs propres (1 et -1) capturent les directions 'garder' et 'retourner' précisément.
Géométriquement, les vecteurs propres sont les axes qu'une transformation respecte ; les valeurs propres sont combien elle étire, rétrécit ou retourne le long de chaque axe.
Où les valeurs propres et les vecteurs propres apparaissent-ils dans les applications réelles?
Les valeurs propres et les vecteurs propres ne sont pas juste un exercice d'algèbre linéaire — ils sont l'épine dorsale mathématique de plusieurs outils utilisés quotidiennement en ingénierie, en science des données et en physique. Dans chaque cas ci-dessous, la même méthode d'équation caractéristique des sections ci-dessus est le point de départ ; seule la matrice analysée change.
1. Analyse en composantes principales (ACP)
Les scientifiques des données calculent les vecteurs propres de la matrice de covariance d'un ensemble de données pour trouver les directions de variance maximale, puis utilisent les plus grandes valeurs propres pour décider quelles directions (composantes principales) capturent le plus d'informations pour la réduction de dimensionnalité.
2. Analyse des vibrations structurelles et mécaniques
Les ingénieurs modélisent les fréquences de vibration naturelles d'une structure comme les valeurs propres d'un système rigidité/masse, et les vecteurs propres décrivent les formes de mode correspondantes — comment la structure se plie physiquement à chaque fréquence.
3. Algorithmes de classement des recherches
L'algorithme PageRank original de Google classe les pages web en utilisant le vecteur propre dominant d'une matrice construite à partir de la structure de lien du web, car ce vecteur propre représente la distribution à long terme en régime permanent d'un surfeur aléatoire.
4. Stabilité des systèmes dynamiques
Dans les équations différentielles et la théorie du contrôle, le signe et la magnitude des valeurs propres d'un système déterminent si un système revient à l'équilibre, oscille, ou grandit sans limite au fil du temps.
Chacune de ces applications se réduit à la même question que ce guide répond : quelles directions une matrice respecte-t-elle, et par combien la met-elle à l'échelle?
Erreurs courantes lors du calcul des valeurs propres et des vecteurs propres
Une poignée d'erreurs représentent la plupart des calculs incorrects de valeurs propres et de vecteurs propres faits à la main. Regardez particulièrement ces cinq avant de faire confiance à une réponse finale.
1. Erreur 1 — Soustraire λ de chaque entrée au lieu de seulement la diagonale
Seules les entrées diagonales de A changent lors de la formation de A - λI ; les entrées hors-diagonales restent exactement comme elles sont dans la matrice originale.
2. Erreur 2 — Traiter un vecteur propre comme unique
Les vecteurs propres ne sont définis qu'à un multiple scalaire non-nul près — (1, 1), (2, 2), et (-3, -3) sont tous des vecteurs propres valides pour la même valeur propre. Il n'y a pas de 'vecteur propre correct' unique, seulement une direction correcte.
3. Erreur 3 — Erreurs de signe lors de l'expansion de déterminants plus grands
Pour les matrices 3×3 et plus grandes, l'expansion par cofacteur implique des signes alternés ; faire tomber ou mal placer un signe moins est la source la plus courante d'un mauvais polynôme caractéristique.
4. Erreur 4 — Appliquer le raccourci diagonal à une matrice non-triangulaire
Le raccourci 'les valeurs propres égalent les entrées diagonales' ne s'applique que aux matrices diagonales et triangulaires. Pour une matrice générale comme [[4,1],[2,3]], les entrées diagonales 4 et 3 ne sont pas les valeurs propres — vous avez toujours besoin de l'équation caractéristique complète.
5. Erreur 5 — Supposer que les valeurs propres doivent être réelles
Une matrice non-symétrique peut avoir des valeurs propres complexes conjuguées avec des vecteurs propres à entrées complexes, même quand chaque entrée de la matrice originale est un nombre réel. Cela apparaît le plus souvent avec des matrices ressemblant à des rotations, donc ne rejetez pas un résultat juste parce que le polynôme caractéristique n'a pas de racines réelles — résolvez-le plutôt sur les nombres complexes.
Le moyen le plus rapide de capturer une erreur de vecteur propre est de recalculer Av et vérifier si elle égale vraiment λv avant de continuer.
Problèmes de pratique : Testez votre compréhension des valeurs propres et vecteurs propres
Travaillez à travers ces trois problèmes, puis comparez vos étapes aux réponses ci-dessous.
1. Problème 1 — Trouver les valeurs propres et vecteurs propres de A = [[1, 2], [2, 1]]
Réponse : det(A-λI) = (1-λ)² - 4 = λ² - 2λ - 3 = (λ-3)(λ+1) = 0, donc λ₁ = 3 et λ₂ = -1. Pour λ₁ = 3 : (A-3I) = [[-2,2],[2,-2]] donne x = y, donc v₁ = (1,1). Pour λ₂ = -1 : (A+I) = [[2,2],[2,2]] donne x = -y, donc v₂ = (1,-1).
2. Problème 2 — Trouver les valeurs propres de la matrice triangulaire supérieure U = [[6, 2], [0, -2]]
Réponse : U est triangulaire, donc ses valeurs propres sont lues directement de la diagonale : λ₁ = 6 et λ₂ = -2. Aucune arithmétique d'équation caractéristique nécessaire.
3. Problème 3 — Est-ce que v = (2, 1) est un vecteur propre de A = [[3, 4], [0, 1]]?
Réponse : Av = [3(2)+4(1), 0(2)+1(1)] = (10, 1). Pour que v soit un vecteur propre, (10, 1) devrait être un multiple scalaire de (2, 1), mais 10/2 = 5 tandis que 1/1 = 1 — les rapports ne correspondent pas, donc v = (2, 1) n'est pas un vecteur propre de A.
4. Problème 4 — Trouver les valeurs propres de la matrice triangulaire supérieure M = [[2, 1, 0], [0, 2, 5], [0, 0, 7]]
Réponse : M est triangulaire supérieure, donc ses valeurs propres sont les entrées diagonales : λ = 2, apparaissant avec multiplicité 2 car elle occupe deux positions diagonales, et λ = 7. Une valeur propre répétée comme celle-ci est exactement le cas où vous devriez vérifier séparément si deux vecteurs propres indépendants existent pour λ = 2 ou seulement un — une distinction qui détermine si M est diagonalisable.
Vérifier si un vecteur donné est un vecteur propre est simple : calculez Av et voyez si chaque composante est mise à l'échelle par la même constante.
Pourquoi utiliser une calculatrice de valeurs propres et vecteurs propres pour la pratique étape par étape?
Calculer les valeurs propres à la main est rapide pour une matrice 2×2 mais l'arithmétique grandit rapidement pour les systèmes 3×3 et plus grands, où une seule erreur de signe dans le polynôme caractéristique jette hors toutes les valeurs propres et vecteurs propres qui suivent. Une calculatrice de valeurs propres et vecteurs propres qui montre chaque étape — l'équation caractéristique, le polynôme factorisé, et la substitution en arrière pour chaque vecteur propre — vous permet de vérifier votre propre travail ligne par ligne au lieu de voir seulement si la réponse finale correspond. Le solveur étape par étape de Solvify et le tuteur mathématique IA parcourent les équations caractéristiques, les déterminants, et la substitution en arrière des vecteurs propres de la même façon que ce guide, donc vous pouvez vérifier les devoirs, préparer les examens, ou débloquer un problème de matrice spécifique sans perdre le raisonnement derrière chaque étape. C'est particulièrement utile en milieu de cours d'algèbre linéaire, où les problèmes de valeurs propres s'appuient directement sur les opérations matricielles, les déterminants, et la réduction de lignes couverts dans les guides connexes ci-dessous.
Articles connexes
Calculatrice de rang matriciel : Comment trouver le rang avec la forme échelonnée réduite
Le rang et les valeurs propres viennent tous les deux de la même matrice, et une singularité (A - λI) a toujours un rang inférieur à n — voir la méthode de réduction de lignes en détail complet.
Calculatrice d'élimination de Gauss : Résoudre les systèmes linéaires étape par étape
La substitution en arrière du vecteur propre n'est vraiment que la résolution du système homogène (A - λI)v = 0 — ce guide couvre la méthode d'élimination derrière chaque étape.
Calculatrice matricielle étape par étape : Opérations, déterminants et inverses
Les déterminants sont l'outil principal derrière l'équation caractéristique det(A - λI) = 0 — ce guide couvre les déterminants aux côtés du reste des opérations matricielles principales.
Solveurs mathématiques
Solutions étape par étape
Obtenez des explications détaillées pour chaque étape, pas seulement la réponse finale.
Solveur Smart Scan
Prenez une photo de n'importe quel problème mathématique et obtenez une solution étape par étape instantanée.
Tuteur mathématique IA
Posez des questions de suivi et obtenez des explications personnalisées 24h/24, 7j/7.
Matières connexes
Aide en algèbre
Maîtrisez d'abord les équations linéaires — la condition préalable directe pour comprendre les systèmes homogènes derrière les vecteurs propres.
Aide en calcul
Les valeurs propres refont surface en calcul multivariable et en équations différentielles via l'analyse de stabilité et les approximations linéaires.
Comment une calculatrice de valeurs propres et vecteurs propres les trouve-t-elle étape par étape?
Une calculatrice de valeurs propres et vecteurs propres étape par étape suit toujours le même processus en quatre étapes, que la matrice soit 2×2 ou 6×6. La seule chose qui change avec la taille est la quantité d'arithmétique que chaque étape nécessite. Pas toutes les matrices se comportent de manière si propre. Une valeur propre répétée peut venir avec soit un ensemble complet de vecteurs propres indépendants, soit moins que prévu — une situation appelée une matrice défectueuse — et une matrice réelle non symétrique peut produire une paire de valeurs propres complexes conjuguées avec des vecteurs propres complexes. Une calculatrice de valeurs propres et vecteurs propres gère tous les trois cas avec la même méthode d'équation caractéristique ; seule l'interprétation du résultat change une fois que vous atteignez l'étape 2.
1. Étape 1 — Construire l'équation caractéristique
Soustrayez λ de chaque entrée diagonale de A pour former (A - λI), puis définissez son déterminant égal à zéro : det(A - λI) = 0. L'expansion de ce déterminant produit un polynôme en λ appelé le polynôme caractéristique.
2. Étape 2 — Résoudre le polynôme caractéristique pour λ
Factorisez ou utilisez la formule quadratique (pour les matrices 2×2) ou les techniques de factorisation polynomiale (pour les matrices plus grandes) pour trouver chaque racine. Chaque racine est une valeur propre de A ; une matrice n×n a exactement n valeurs propres, comptées avec multiplicité, possiblement incluant des répétitions ou des nombres complexes.
3. Étape 3 — Substituer chaque valeur propre pour trouver son vecteur propre
Pour chaque valeur propre λ, branchez-la dans (A - λI)v = 0 et résolvez le système linéaire résultant pour v. Parce que det(A - λI) = 0 par construction, ce système a toujours infiniment de solutions — choisissez le vecteur non nul le plus simple qui le satisfait.
4. Étape 4 — Vérifier avec Av = λv
Multipliez la matrice originale A par le vecteur propre v que vous avez trouvé et confirmez que le résultat égale λ fois v. Cette vérification capture les erreurs d'arithmétique avant qu'elles ne se propagent dans une réponse finale incorrecte.
5. Étape 5 — Gérer les matrices plus grandes avec l'expansion par cofacteur
Pour les matrices 3×3 et plus grandes, det(A - λI) est développé en utilisant l'expansion par cofacteur (mineurs) le long d'une ligne ou d'une colonne, ce qui transforme le déterminant en une somme de déterminants plus petits signés qui contiennent chacun λ. Le résultat est un polynôme de degré n en λ. Quand aucun raccourci diagonal ou triangulaire ne s'applique, cherchez d'abord les racines rationnelles en utilisant le terme constant du polynôme développé, puis factorisez chaque racine que vous trouvez avant de résoudre quel facteur quadratique ou linéaire reste.